論文の概要: ClearGS: Reliability-Aware Gaussian Splatting from Handheld Videos
- arxiv url: http://arxiv.org/abs/2609.31509v1
- Date: Fri, 25 Sep 2026 16:50:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.494497
- Title: ClearGS: Reliability-Aware Gaussian Splatting from Handheld Videos
- Title（参考訳）: ClearGS:ハンドヘルドビデオからガウシアンスプティングを認識できる
- Abstract要約: 本稿では,不均一な視点カバレッジと混合フレーム品質を有する携帯型ビデオから3Dガウス版ClearGS(3DGS)を提示する。
ClearGSは、RVA(Reliability-aware View Allocation)を使用して、外観信頼性、劣化リスク、幾何学的有用性に基づいて、グレードされた原位置重量を割り当てる。
GS2EとGSOTMでは、ClearGSは、CLIP-IQAとMUSIQの一貫性と、ほとんどの劣化設定におけるLPIPSの削減により、最先端の全体的なパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 23.32579511915989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present ClearGS for 3D Gaussian Splatting (3DGS) from handheld videos with uneven viewpoint coverage and mixed frame quality. Rather than selecting frames with binary decisions, ClearGS uses Reliability-aware View Allocation (RVA) to assign graded raw-supervision weights based on appearance reliability, degradation risk, and geometric utility, while weakly reactivating useful suppressed frames to maintain trajectory coverage. Since weighting cannot restore details lost to blur or distortion, ClearGS further introduces Render-Guided In-Video Restoration (RIVR). The current 3DGS render provides a pose-aligned structural candidate, a frozen no-reference restoration expert restores the corresponding raw video observation without any clean reference image, and no-reference perceptual scores select among the render, restored observation, and high-frequency fused candidate. ClearGS then applies Full-Trajectory Repair Consolidation to revisit accepted repairs and preserve details introduced early. On GS2E and GSOTM, ClearGS achieves state-of-the-art overall performance, with consistent CLIP-IQA and MUSIQ gains and LPIPS reductions in most degradation settings, without paired sharp supervision or matched clean references.
- Abstract（参考訳）: 本稿では,不均一な視点カバレッジと混合フレーム品質を有する携帯型ビデオから3Dガウス版ClearGS(3DGS)を提示する。
バイナリな決定でフレームを選択する代わりに、ClearGSはReliability-aware View Allocation (RVA)を使用して、外観信頼性、劣化リスク、幾何学的有用性に基づいて、グレードされた生のスーパービジョンの重み付けを割り当てる。
ClearGSはさらにRender-Guided In-Video Restoration (RIVR)を導入している。
現在の3DGSレンダリングは、ポーズ整列構造候補を提供し、凍結された非参照復元専門家は、クリーンな参照画像なしで対応する生ビデオ観察を復元し、非参照知覚スコアは、レンダリング、復元された観察、高周波融合候補の中から選択される。
その後、ClearGSは、承認された修理を再検討し、早期に導入された詳細を保存するためにフル・トラジェクトリー・リコンストラクション・コンソリデーション(英語版)を適用した。
GS2EとGSOTMでは、CLIP-IQAとMUSIQの整合性、ほとんどの劣化設定でのLPIPSの削減など、最先端の全体的なパフォーマンスを実現している。
関連論文リスト
- TRACE-GS: On-Policy Trajectory Distillation with Privileged Geometric Conditioning for Sparse-View 3DGS Restoration [17.435410648031297]
TRACE-GSはスパースビュー3DGS推論のためのオンライントラジェクトリー蒸留フレームワークである。
軽視された3DGS復元のための特権的幾何学から、政治上の監督を引き出すのが最初である。
論文 参考訳（メタデータ） (2026-08-10T22:43:06Z) - CLEAR: Conflict-aware Learning via Evidence-guided Adaptive Routing for Unified Sparse-View 3D Gaussian Super-Resolution [80.43237927269575]
Sparse-view 3D Gaussian Splatting Super- resolution のための最初の統一された単一ステージフレームワークとして CLEAR を提案する。
CLEARは、統合ガウス表現の中で、真のLR観測と外部HR事前の最適化を共同で行う。
合成と実世界の両方の4times$超高解像度ベンチマークの実験は、CLEARが常に最先端のレンダリング品質を達成していることを示している。
論文 参考訳（メタデータ） (2026-08-03T13:31:53Z) - VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
VidSplatは、トレーニング不要な生成的再構築フレームワークである。
生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。
広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
論文 参考訳（メタデータ） (2026-05-12T02:20:31Z) - PDF-GS: Progressive Distractor Filtering for Robust 3D Gaussian Splatting [32.97857587591785]
本稿では3DGSが持つ非一貫性信号の抑制能力を増幅するフレームワークであるPDF-GSを提案する。
PDF-GSは、堅牢で、高忠実で、邪魔のない再構築を実現し、多様なデータセットのベースラインを一貫して上回り、現実世界の状況に挑戦する。
私たちのアプローチは軽量で、既存の3DGSフレームワークにも容易に適用可能です。
論文 参考訳（メタデータ） (2026-04-14T11:03:55Z) - 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。
その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。
既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。
本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:16:30Z) - GSFixer: Improving 3D Gaussian Splatting with Reference-Guided Video Diffusion Priors [44.901133648775605]
GSFixerは、スパース入力から再構築された3DGS表現の品質を改善するために設計されたフレームワークである。
本モデルは,視覚幾何学基礎モデルから抽出した参照ビューの2次元意味的特徴と3次元幾何学的特徴を統合した。
3DGSアーティファクト復元評価のための適切なベンチマークが欠如していることを踏まえ,低品質な3DGSを用いてレンダリングされたアーティファクトフレームを含むDL3DV-Resを提案する。
論文 参考訳（メタデータ） (2025-08-13T09:56:28Z) - RobustGS: Unified Boosting of Feedforward 3D Gaussian Splatting under Low-Quality Conditions [67.48495052903534]
本稿では,汎用的で効率的なマルチビュー機能拡張モジュールRobustGSを提案する。
各種の有害撮像条件下でのフィードフォワード3DGS法のロバスト性を大幅に向上させる。
RobustGSモジュールはプラグイン・アンド・プレイ方式で既存の事前訓練パイプラインにシームレスに統合できる。
論文 参考訳（メタデータ） (2025-08-05T04:50:29Z) - S3R-GS: Streamlining the Pipeline for Large-Scale Street Scene Reconstruction [58.37746062258149]
3D Gaussian Splatting(3DGS)は、3D再構成の分野を変え、素晴らしいレンダリング品質とスピードを実現した。
既存の手法では、シーンサイズが大きくなるにつれて、ビューポイント当たりの再生コストが急速に増大する。
大規模なストリートシーン再構築のためのパイプラインをストリーム化する3DGSフレームワークであるS3R-GSを提案する。
論文 参考訳（メタデータ） (2025-03-11T09:37:13Z) - MGSR: 2D/3D Mutual-boosted Gaussian Splatting for High-fidelity Surface Reconstruction under Various Light Conditions [6.4367384921445545]
新しいビュー合成(NVS)と表面再構成(SR)は3次元ガウススプラッティングにおける必須課題である(3D-GS)
表示品質と3次元再構成精度を両立させる表面再構成用2D/3D多孔型ガウススプラッティングであるMGSRを提案する。
我々はMGSRをオブジェクトレベルとシーンレベルの両方において、多種多様な合成および実世界のデータセットで評価し、レンダリングおよび表面再構成において高い性能を示す。
論文 参考訳（メタデータ） (2025-03-07T07:06:47Z)
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。