論文の概要: GS-PI: An Optimization-Decoupled Appearance Decomposition Approach for Generating PBR Gaussian Assets

• arxiv url: http://arxiv.org/abs/2609.19907v1
• Date: Thu, 17 Sep 2026 08:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.175145
• Title: GS-PI: An Optimization-Decoupled Appearance Decomposition Approach for Generating PBR Gaussian Assets
• Title（参考訳）: GS-PI: PBRガウス集合生成のための最適化デカップリング型外観分解手法
• Abstract要約: Gaussian Splatting (GS) はノベル・ビュー・ラディアンスに優れるが、焼成照明を幾何学でエンコードする。 GS-PIは3次元点雲上の幾何条件の拡散過程としてPBR材料を生成する新しい最適化分離フレームワークである。
• 参考スコア（独自算出の注目度）: 14.6111903446966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian Splatting (GS) excels at novel-view synthesis but encodes baked-in radiance, tightly entangling illumination with geometry and preventing seamless integration into physically based rendering (PBR) pipelines. Existing inverse-rendering methods attempt to disentangle materials via joint optimization, but often suffer from competing objectives that cause severe ambiguities and residual lighting artifacts. To overcome this, we present GS-PI, a novel optimization-decoupled framework that casts PBR material generation as a geometry-conditioned diffusion process on 3D point clouds. By operating directly in the 3D domain, our method inherently guarantees multi-view consistency, sidestepping the severe pixel correspondence issues that challenge 2D diffusion approaches. We introduce a multi-scale cross-view conditioning mechanism that integrates three complementary components: a global semantic prior, source-anchored photometric cues, and an absolute spatial learned view-direction conditioning signal. This design efficiently compresses complex multi-view evidence, mitigating cross-view projection misalignment and successfully preventing specular highlights from baking into intrinsic colors. By extracting a point cloud from a pre-trained Gaussian model, predicting PBR attributes via conditional diffusion, and distilling them back through differentiable rasterisation, we yield a fully relightable PBR-GS asset. GS-PI outperforms recent inverse-rendering baselines while replacing per-scene joint illumination/BRDF optimization with a learned diffusion pass followed by a short target-driven distillation, without requiring proxy meshes.
• Abstract（参考訳）: Gaussian Splatting (GS) は、新しいビュー合成において優れているが、焼き込み放射率を符号化し、幾何学的な照明を密に絡み、物理ベースレンダリング(PBR)パイプラインへのシームレスな統合を防止している。 既存の逆レンダリング手法は、ジョイント最適化によって材料を歪めようとするが、しばしば激しい曖昧さや残光のアーティファクトを引き起こす競合する目的に悩まされる。 GS-PIは3次元点雲上の幾何条件の拡散過程としてPBR材料を生成する新しい最適化分離フレームワークである。 3D領域で直接操作することで、本手法は本質的にマルチビューの一貫性を保証し、2D拡散アプローチに挑戦する重大画素対応問題をサイドステッピングする。 本稿では,大域的セマンティックオーダ,ソースアンコール型測光キュー,絶対空間的に学習された視線指向条件信号の3つの相補的成分を統合したマルチスケールのクロスビューコンディショニング機構を提案する。 この設計は複雑なマルチビューエビデンスを効率よく圧縮し、クロスビュープロジェクションのミスアライメントを緩和し、特異なハイライトが本質的な色に焼かれるのを効果的に防止する。 事前学習したガウスモデルから点雲を抽出し、条件拡散によりPBR特性を予測し、異なるラスタ化により蒸留することにより、完全再生可能なPBR-GS資産を得る。 GS-PIは近年の逆レンダリングベースラインよりも優れており, 現場での関節照明/BRDF最適化を学習拡散パスに置き換えた上で, プロキシメッシュを必要とせず, 短時間のターゲット駆動蒸留を行った。

関連論文リスト

• SpotlessGS: Relightable 3D Gaussian Splatting under Dynamic Illumination for Robotic Perception [20.515607443256073]
  我々はDark Gaussian Splattingをより正確でフレキシブルな3D再構成フレームワークに拡張する。 球面高調波に基づく低周波照明モデルを導入し,空間的に異なる残差と周囲の照明効果を捉える。 合成および実世界のデータセットに対する実験により,従来の手法よりもレンダリング品質と量的性能を向上しつつ,照明アーチファクトを効果的に軽減できることが示されている。
  論文  参考訳（メタデータ） (2026-08-11T17:35:34Z)
• Monocular Avatar Reconstruction via Cascaded Diffusion Priors and UV-Space Differentiable Shading [22.58255448808833]
  本研究では,高忠実で高照度な3Dアバターを1つの画像から再構成する枠組みを提案する。 提案手法は,100点未満の実3Dスキャンで訓練され,より優れたリアリズムと一般化を備えた包括的で4K解像度のPBR資産を生成する。
  論文  参考訳（メタデータ） (2026-06-26T14:41:13Z)
• SDFoam: Signed-Distance Foam for explicit surface reconstruction [8.803067028201387]
  暗示距離場(SDF)を用いた明示的ボロノイ図(VD)の学習方法を示す。 結果として得られたモデルでは、フローターが少なく、トポロジーが改善された、鮮明で視界に一貫性のある表面が生成される。 SDFoamというハイブリッドな暗黙的-明示的定式化により、メッシュ再構成精度(Chamfer distance)が大幅に向上し、外観に匹敵する(PSNR, SSIM)。
  論文  参考訳（メタデータ） (2025-12-18T16:11:18Z)
• Moment-Based 3D Gaussian Splatting: Resolving Volumetric Occlusion with Order-Independent Transmittance [5.202755118021748]
  3D Gaussian Splatting (3DGS) は、高品質な放射場をリアルタイムに計算することで、新しいビューを形作り直した。 我々は,高忠実度伝送のための新しい手法により,3次元ガウス表現のレイゼーションに基づくレンダリングを拡張した。
  論文  参考訳（メタデータ） (2025-12-12T18:59:55Z)
• MaterialRefGS: Reflective Gaussian Splatting with Multi-view Consistent Material Inference [83.38607296779423]
  より物理的な環境モデルを用いた多視点一貫した物質推定がガウススプラッティングによる正確な反射の学習の鍵となることを示す。 本手法は照明と幾何学の両方を忠実に復元し,新しいビュー合成における最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-10-13T13:29:20Z)
• GUS-IR: Gaussian Splatting with Unified Shading for Inverse Rendering [83.69136534797686]
  GUS-IRは、粗く光沢のある表面を特徴とする複雑なシーンの逆レンダリング問題に対処するために設計された新しいフレームワークである。 本稿では、逆レンダリング、フォワードシェーディング、遅延シェーディングに広く使われている2つの顕著なシェーディング技術を分析し、比較することから始める。 両手法の利点を組み合わせた統合シェーディングソリューションを提案する。
  論文  参考訳（メタデータ） (2024-11-12T01:51:05Z)
• GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
  GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。 最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。 この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
  論文  参考訳（メタデータ） (2024-10-31T17:57:07Z)
• GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
  3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。 我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。 フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-11-26T02:35:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。