論文の概要: Spackle: Completing Large View Single Image NVS with Adaptive Gaussians

• arxiv url: http://arxiv.org/abs/2609.30941v1
• Date: Fri, 25 Sep 2026 07:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.282762
• Title: Spackle: Completing Large View Single Image NVS with Adaptive Gaussians
• Title（参考訳）: Spackle:Adaptive Gaussianで大きなビューのシングルイメージNVSを補完する
• Abstract要約: シングルイメージノベルビュー合成(NVS)は、単一の入力から観測されていない視点の光リアルなレンダリングを可能にする。 Spackleは、効率を犠牲にすることなくキャパシティ競合を緩和する軽量残差学習フレームワークである。 我々は総合的な実験を行い、Spackleが大局的な場合において最先端の性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 22.212160282481765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-image novel view synthesis (NVS) enables photorealistic rendering of un- observed viewpoints from a single input. Practical NVS systems require two key capabilities: robust reconstruction of occluded regions and high inference effi- ciency. While hybrid decoupled frameworks combining feedforward 3D Gaussian Splatting (3DGS) and diffusion models show promise for large-view-deviation NVS, they suffer from capacity competition: a fixed number of Gaussians forces resource shifts from visible to newly disoccluded areas, degrading original scene fidelity when the target view deviates significantly from the input. To address this, we propose Spackle, a lightweight residual learning framework that mit- igates capacity competition without sacrificing efficiency. Spackle operates in three stages: predicting base 3DGS attributes from given views, automatically identifying poorly reconstructed regions, and learning a residual 3DGS optimized exclusively for these areas. At inference, we combine the baseline and aug- mented Gaussians for NVS. We conduct comprehensive experiments and show that Spackle achieves state-of-the-art performance on large-view-deviation cases.
• Abstract（参考訳）: シングルイメージノベルビュー合成(NVS)は、単一の入力から観測されていない視点の光リアルなレンダリングを可能にする。 実用的なNVSシステムには、隠蔽領域の堅牢な再構築と高い推論効率の2つの重要な機能が必要である。 フィードフォワード3Dガウススプラッティング(3DGS)と拡散モデルを組み合わせたハイブリッド・デカップリング・フレームワークは、大画面分割NVSを約束する一方で、キャパシティ・コンペティションに苦しむ。 そこで本稿では,効率を犠牲にすることなく,能力競争を緩和する軽量残差学習フレームワークであるSpackleを提案する。 Spackleは、与えられたビューからベース3DGS属性を予測し、貧弱な再構成領域を自動的に識別し、これらの領域に最適化された残留3DGSを学習する。 推測では,NVSのベースラインとオーグメンテッドガウシアンを組み合わせる。 我々は総合的な実験を行い、Spackleが大局的な場合において最先端の性能を達成することを示す。

関連論文リスト

• PhGS: Post-Hoc Pruning and Refinement of Single-View Feed-Forward 3D Gaussian Reconstructions [18.890379711007892]
  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。
  論文  参考訳（メタデータ） (2026-09-17T16:07:03Z)
• 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)
• 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)
• SPC-GS: Gaussian Splatting with Semantic-Prompt Consistency for Indoor Open-World Free-view Synthesis from Sparse Inputs [16.802397237672572]
  3Dガウススプラッティングを用いた屋内自由世界自由視合成法は,高密度入力画像で顕著な性能を示した。 スパース入力を用いたオープンワールド自由視点合成のためのシーンベースガウス初期化(SGI)とセマンティックプロンプト一貫性(SPC)正規化を提案する。
  論文  参考訳（メタデータ） (2025-03-16T14:59:00Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• 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)
• FreeSplat: Generalizable 3D Gaussian Splatting Towards Free-View Synthesis of Indoor Scenes [50.534213038479926]
  FreeSplatは、長いシーケンス入力から自由視点合成まで、幾何学的に一貫した3Dシーンを再構築することができる。 ビュー数に関係なく、広いビュー範囲にわたる堅牢なビュー合成を実現するための、シンプルで効果的なフリービュートレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-28T08:40:14Z)

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。