論文の概要: GAPS: Generative Active Pseudo-view Selection for Sparse-View 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.23436v2
• Date: Thu, 24 Sep 2026 02:25:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.292284
• Title: GAPS: Generative Active Pseudo-view Selection for Sparse-View 3D Gaussian Splatting
• Title（参考訳）: GAPS:Sparse-View 3D Gaussian Splattingのための生成能動擬似ビュー選択
• Abstract要約: 3D Gaussian Splatting (3DGS)は、フローター、壊れた幾何学、そしてわずかな視野で訓練された背景を洗い流す。 本稿では、事前学習した画像拡散モデルを用いて、幾何学的に一貫した擬似ビューを生成する交互最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.068803023317505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novel view synthesis from sparse observations is severely under-constrained. Although 3D Gaussian Splatting (3DGS) enables real-time rendering, it produces floaters, broken geometry, and washed-out backgrounds when trained with few views. We propose an alternating optimization framework that uses a pre-trained image diffusion model to generate geometrically consistent pseudo-views for additional 3DGS supervision. Generation is constrained by depth-conditioned ControlNet, IP-Adapter style transfer, LoRA scene adaptation, and img2img structural anchoring. We introduce Generative Active Pseudo-view Selection (GAPS) to balance reconstruction informativeness and generative reliability when choosing target views. Its annealing schedule shifts from conservative interpolation early in training to exploratory extrapolation later, gradually covering unobserved regions. A dual-criterion admission gate and uncertainty-weighted losses reject unreliable generations, while density-adaptive DropGaussian reduces overfitting in complex scenes. On LLFF with 3/6/9 views, our method improves average PSNR over vanilla 3DGS by 0.40/0.89/0.70 dB. On Mip-NeRF 360 with 12/24 views, the gains are 1.18/0.80 dB. SSIM improves and LPIPS decreases in every setting. Ablations show that active selection and density-adaptive regularization are both necessary; only the full method reduces LPIPS below the no-pseudo-view baseline on unbounded 360-degree scenes.
• Abstract（参考訳）: スパース観測からの新しいビュー合成は、非常に過度に制約されている。 3D Gaussian Splatting (3DGS) はリアルタイムレンダリングを可能にするが、フローター、形状が壊れ、背景が洗い流される。 本稿では,事前学習した画像拡散モデルを用いて,幾何学的に一貫した擬似ビューを生成し,さらに3DGSを監督する交互最適化フレームワークを提案する。 生成は、Deep-conditioned ControlNet、IP-Adapterスタイル転送、LoRAシーン適応、およびimg2img構造アンカーによって制限される。 本稿では,GAPS(Generative Active Pseudo-view Selection)を導入し,目標視点を選択する際の再現性情報性と生成信頼性のバランスをとる。 その熱いスケジュールは、訓練の早い段階で保守的な補間から後に探索的な補間へと変化し、徐々に観測されていない領域をカバーしている。 二重基準入場ゲートと不確実性重み付き損失は信頼できない世代を拒絶する一方、密度適応型DropGaussianは複雑なシーンにおける過度な適合を減少させる。 3/6/9ビューのLLFFでは,バニラ3DGSよりも平均PSNRを0.40/0.89/0.70dB向上させる。 12/24ビューのMip-NeRF 360では、ゲインは1.18/0.80dBである。 SSIMは改善され、LPIPSは各設定で減少する。 アブレーションは、アクティブな選択と密度適応正規化の両方が必要であることを示しており、フルメソッドのみは、非擬似ビューベースラインの非有界360度シーンでのLPIPSを減少させる。

関連論文リスト

• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• Improving Sparse-View 3DGS Generalization via Flat Minima Optimization [37.65568887478836]
  ニューラルレンダリングの最近の進歩は、新しいビュー合成のための高効率な表現として、3Dガウススティング(3DGS)を確立している。 しかし、3DGSは, 少ない視点でのみ監督を行う場合, 観察された画像に過度に適合し, 見えない視点に過度に一般化する傾向にある。 我々は,小パラメータ摂動下で安定な解を求めるフラット・ミニマ (FM) 最適化の観点から,この問題に対処する。
  論文  参考訳（メタデータ） (2026-07-01T12:52:57Z)
• KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis [28.10448224660243]
  3D Gaussian Splatting(3DGS)は、シーンを差別化によって最適化された異方性ガウスのコレクションとして表現することで、リアルタイムなノベルビュー合成を可能にする。 標準画素空間損失(L1, SSIM)は、再構成エラーのみを集約し、周波数スケールでエラーを再分配する最適化を可能にする。 我々は,自然画像統計に基づくウェーブレットドメインによる3DGSトレーニングを強化するKC-3DGSを提案する。
  論文  参考訳（メタデータ） (2026-06-02T04:04:24Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• Quantifying and Alleviating Co-Adaptation in Sparse-View 3D Gaussian Splatting [39.014517076251934]
  3D Gaussian Splatting (3DGS) は、高密度ビュー環境下での新規なビュー合成において、印象的な性能を示した。 スパースビューのシナリオでは、トレーニングビューのリアルなレンダリングにもかかわらず、3DGSは時々、新しいビューで外見のアーティファクトを示す。 本稿では,スパースビュー3DGSの外観アーティファクトについて検討し,現在のアプローチの限界を明らかにする。
  論文  参考訳（メタデータ） (2025-08-18T08:34:49Z)
• LP-3DGS: Learning to Prune 3D Gaussian Splatting [71.97762528812187]
  本稿では,トレーニング可能な2値マスクを重要度に応用し,最適プルーニング比を自動的に検出する3DGSを提案する。 実験の結果,LP-3DGSは効率と高品質の両面において良好なバランスを保っていることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T05:58:34Z)
• FSGS: Real-Time Few-shot View Synthesis using Gaussian Splatting [58.41056963451056]
  本稿では,3次元ガウススプラッティングに基づく数ショットビュー合成フレームワークを提案する。 このフレームワークは3つのトレーニングビューでリアルタイムおよびフォトリアリスティックなビュー合成を可能にする。 FSGSは、さまざまなデータセットの精度とレンダリング効率の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-01T09:30:02Z)

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。