論文の概要: PhGS: Post-Hoc Pruning and Refinement of Single-View Feed-Forward 3D Gaussian Reconstructions
- arxiv url: http://arxiv.org/abs/2609.20623v1
- Date: Thu, 17 Sep 2026 16:07:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.366176
- Title: PhGS: Post-Hoc Pruning and Refinement of Single-View Feed-Forward 3D Gaussian Reconstructions
- Title（参考訳）: PhGS : 単視点フィードフォワード3Dガウス再建術の術後切開と再留置
- Abstract要約: シングルビューフィードフォワード3DGSのためのバックボーン非依存圧縮パイプラインを提案する。
本研究は,新規なレンダリング精度を維持しつつ,メモリ削減を実現しつつ,既存のベースラインとのシームレスな統合を実証するものである。
- 参考スコア（独自算出の注目度）: 18.890379711007892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent single-view feed-forward 3D Gaussian Splatting (3DGS) generation predicts a fixed number of Gaussians per camera ray, introducing severe spatial redundancy. Most existing compaction strategies target multi-view setups to exploit cross-view consistency and are incompatible with single-image models. Instead of retraining the base feed-forward network to directly output compact representations, our insight is to keep the base models frozen and apply post-hoc pruning and recurrent refinement to the generated Gaussians. Consequently, we propose a backbone-agnostic compaction pipeline for single-view feed-forward 3DGS that couples an importance-score-based pruning mechanism with a trainable, lightweight recurrent refinement module, which iteratively updates the surviving primitives to restore image quality. Our results demonstrate seamless integration with existing baselines while preserving novel-view rendering fidelity and achieving high memory reduction. Furthermore, our method supports flexible inference-time keep ratios for application needs.
- Abstract（参考訳）: 最近の単視点フィードフォワード3Dガウススプラッティング(3DGS)は、カメラ線当たりのガウスアン数の固定を予測し、空間的冗長性を著しく引き起こす。
既存のコンパクト化戦略の多くは、クロスビューの一貫性を活用するためのマルチビュー設定をターゲットにしており、シングルイメージモデルと互換性がない。
ベースフィードフォワードネットワークをトレーニングして、直接コンパクト表現を出力するのではなく、ベースモデルを凍結させ、ポストホットプルーニングとリカレントリファインメントを生成したガウスアンに適用する。
そこで,本研究では,シングルビューフィードフォワード3DGSのためのバックボーン非依存圧縮パイプラインを提案し,重要スコアベースプルーニング機構とトレーニング可能な軽量リカレントリファインメントモジュールを結合し,生き残ったプリミティブを反復的に更新して画像品質を回復する。
本研究は,新規なレンダリング精度を維持しつつ,メモリ削減を実現しつつ,既存のベースラインとのシームレスな統合を実証するものである。
さらに,本手法はアプリケーションニーズに対するフレキシブルな予測時間保留率をサポートする。
関連論文リスト
- REFINE: Super-efficient 3D Gaussian Splatting Pruning via Rendering-Free Primitive Importance [58.94345609736356]
REFINEは、新しいレンダリングフリープリミティブ・プライマリ・プライマリ・メトリックを中心に、高度に高速化された3DGSプルーニング・フレームワークである。
複数のベンチマークデータセットに対する実験は、REFINEが非常に競争力のあるレンダリング品質を維持していることを示している。
論文 参考訳（メタデータ） (2026-06-08T06:16:38Z) - PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。
PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。
PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
論文 参考訳（メタデータ） (2026-05-12T13:00:39Z) - Multimodal-Prior-Guided Importance Sampling for Hierarchical Gaussian Splatting in Sparse-View Novel View Synthesis [29.048045656420538]
スパースビュー新規ビュー合成における階層型3次元ガウススプラッティング(3DGS)の中心メカニズムとして,多モード優先重要サンプリングを提案する。
本フレームワークは,(1)大域的な形状を安定な粗い層でエンコードする粗いガウス表現と,多モード計量が復元可能な詳細を示すような微細なプリミティブを選択的に追加する。
多様なスパースビューベンチマークの実験では、DTUに最大0.3dBのPSNRを持つ最先端の再構築が示されている。
論文 参考訳（メタデータ） (2026-03-03T11:19:45Z) - Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives [14.295266671241004]
3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングをフォトリアリスティックな品質で実現した。
3DGSは高い忠実性を達成するために多くのプリミティブを必要とすることが多い。
そこで我々は, 刈り取りタイミングと精錬間隔を決定する, 効率的で統合された組立型刈り取り戦略を提案する。
また,1つのプリミティブにおいて正と負の両密度を共同でモデル化する3次元ガウス差分プリミティブも導入する。
論文 参考訳（メタデータ） (2026-02-27T16:12:58Z) - One-Shot Refiner: Boosting Feed-forward Novel View Synthesis via One-Step Diffusion [57.824020826432815]
スパース画像から高忠実性ノベルビュー合成(NVS)を実現するための新しいフレームワークを提案する。
ViTバックボーンによって制限されることなく高解像度画像を処理できるデュアルドメイン詳細知覚モジュールを設計する。
我々は,修復過程において高周波の詳細を保存できる特徴誘導拡散ネットワークを開発した。
論文 参考訳（メタデータ） (2026-01-20T17:11:55Z) - Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting [21.952325954391508]
本稿では、3DGSベースのフレームワークであるGesplatを紹介し、ロバストな新しいビュー合成と、未提示のスパース画像からの幾何的に一貫した再構成を可能にする。
提案手法は,他のポーズフリー手法と比較して,前方および大規模の複雑なデータセット上でより堅牢な性能を実現する。
論文 参考訳（メタデータ） (2025-10-11T08:13:46Z) - PanoLAM: Large Avatar Model for Gaussian Full-Head Synthesis from One-shot Unposed Image [43.212662742135954]
本稿では,ガウス全頭部合成のためのフィードフォワード・フレームワークを提案する。
従来のGANインバージョンとテスト時間最適化に依存した作業とは異なり、我々のフレームワークは、1つの未提示画像が1つの前方パスで与えられると、ガウスのフルヘッドモデルを再構築することができる。
論文 参考訳（メタデータ） (2025-09-09T09:42:31Z) - MuGS: Multi-Baseline Generalizable Gaussian Splatting Reconstruction [32.14335364083271]
新規なビュー合成のためのフィードフォワードアプローチであるMulti-Baseline Gaussian Splatting (MuGS)を提案する。
MuGSは、小さなベースラインと大きなベースラインの両方でスパース入力ビューを含む、多様なベースライン設定を効果的に処理する。
LLFFおよびMip-NeRF 360データセットにおけるゼロショット性能を実証した。
論文 参考訳（メタデータ） (2025-08-06T10:34:24Z) - RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。
本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。
復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文 参考訳（メタデータ） (2025-06-28T08:02:54Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z)
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。