論文の概要: D3GS: Depth, DINO, and RGB Diffusion Co-Guided 3D Gaussian Splatting for Sparse-View Reconstruction

• arxiv url: http://arxiv.org/abs/2609.22941v1
• Date: Sat, 19 Sep 2026 10:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.604733
• Title: D3GS: Depth, DINO, and RGB Diffusion Co-Guided 3D Gaussian Splatting for Sparse-View Reconstruction
• Title（参考訳）: D3GS:深度・DINO・RGB拡散型3Dガウススプラッティングによるスパースビューリコンストラクション
• Abstract要約: D$3$GSはDepth-DINO-Diffusionガイド付きスパースビューガウス再構成フレームワークで、幾何学と外観を共同で強化する。 DTU、LLFF、Mip-NeRF 360の実験では、D$3$GSは強いベースラインよりも一貫性と実質的な改善を達成している。
• 参考スコア（独自算出の注目度）: 45.82236569796408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel view synthesis from sparse inputs remains challenging for 3D Gaussian Splatting (3DGS) due to ambiguous geometry, cross-view inconsistency, and missing details in under-constrained regions, resulting in degraded reconstruction and unstable rendering. To tackle these issues, we propose D$^{3}$GS, a Depth-DINO-Diffusion guided sparse-view Gaussian reconstruction framework that jointly enhances geometry and appearance. D$^{3}$GS first recovers a high-resolution, metric depth map via diffusion-based completion and DPT (Dense Prediction Transformer) refinement, providing robust Gaussian initialization and geometric constraints. Then, a DINO-guided view-consistent learning is introduced to augment Gaussian attributes with structural features, improving multi-view consistency. Finally, a diffusion-based Gaussian refinement module injects generative priors into an iterative optimization strategy, enhancing high-frequency geometric and appearance details within the Gaussian representation. Experiments on DTU, LLFF, and Mip-NeRF 360 show that D$^{3}$GS achieves consistent and substantial improvements over strong baselines, with ablation studies validating the effectiveness and complementary roles of each component.
• Abstract（参考訳）: スパース入力からの新たなビュー合成は、不明瞭な幾何学、横断的な不整合、未制約領域における詳細の欠如により、3次元ガウススプラッティング (3DGS) では依然として困難であり、劣化した再構成と不安定なレンダリングをもたらす。 これらの課題に対処するために,D$^{3}$GSを提案する。Dpth-DINO-Diffusion Guided Sparse-view Gaussian Restruction frameworkは,幾何学と外観を両立させる。 D$^{3}$GS は拡散ベースの完備化と DPT (Dense Prediction Transformer) による高分解能な計量深度写像を復元し、堅牢なガウス初期化と幾何的制約を提供する。 次に、DINO誘導のビュー一貫性学習を導入し、ガウス属性を構造的特徴で拡張し、マルチビュー整合性を改善する。 最後に、拡散に基づくガウス洗練されたモジュールは、生成前の先行を反復最適化戦略に注入し、ガウス表現内での高周波幾何学的および外観的詳細を強化する。 DTU, LLFF, Mip-NeRF 360の実験により、D$^{3}$GSは強いベースラインよりも一貫した実質的な改善を達成し、それぞれのコンポーネントの有効性と相補的な役割を検証した。

関連論文リスト

• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• ResGS: Residual Densification of 3D Gaussian for Efficient Detail Recovery [21.259495668002796]
  そこで我々は, 残留分断法を新たに導入し, 残留分断法としてガウシアンを付加した。 我々のアプローチは、詳細を適応的に検索し、欠落した幾何学を補完することができる。
  論文  参考訳（メタデータ） (2024-12-10T13:19:27Z)
• GBR: Generative Bundle Refinement for High-fidelity Gaussian Splatting with Enhanced Mesh Reconstruction [27.747748706297497]
  GBR(Generative Bundle Refinement)は、4-6の入力ビューのみを用いた高忠実なガウススプラッティングとメッシュ化のための手法である。 GBRは、幾何学的精度を高めるために神経束調整モジュールと、幾何学的忠実性を改善するために生成深度改善モジュールを統合している。 GBRは、大規模な現実世界のシーンを再構築し、レンダリングする能力を示している。
  論文  参考訳（メタデータ） (2024-12-08T12:00:25Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)

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。