論文の概要: FoundDSR: A Generalizable Foundation Model with Guided 2D Gaussian Splatting for Depth Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.32323v1
• Date: Sat, 26 Sep 2026 07:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:47:08.905518
• Title: FoundDSR: A Generalizable Foundation Model with Guided 2D Gaussian Splatting for Depth Super-Resolution
• Title（参考訳）: FoundDSR: 奥行き超解法のためのガイド付き2次元ガウススプラッティングによる一般化可能な基礎モデル
• Abstract要約: FoundDSRは、見えないデータ分布にまたがる堅牢な深度再構成のための一般化可能な基礎モデルである。 ガウスのパラメータを最適化するプロンプトとして高解像度のRGBを採用している。 FoundDSRは、既存の最先端アプローチを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 29.19515140577684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce FoundDSR, a generalizable foundation model for robust depth reconstruction across unseen data distributions using RGB-D pairs. FoundDSR begins with a guided 2D Gaussian Splatting strategy to model depth representations with Gaussian primitives. This strategy employs high-resolution RGB as prompts to optimize the Gaussian parameters, thereby encouraging each Gaussian primitive to anisotropically deform along high-frequency structural directions. The resulting Gaussian-upsampled representations are then mapped to high-resolution depth through an effective depth reconstruction branch. Furthermore, to mitigate training instability and bias toward dominant sources caused by distribution gaps in large-scale heterogeneous data, we introduce heterogeneous federated learning that allocates each data source to an independent client for local optimization and global aggregation. This design effectively endows FoundDSR with stable scalability to diverse and large-scale training data. Extensive zero-shot evaluations on synthetic, real-world, arbitrary-scale, and noisy conditions demonstrate that FoundDSR consistently outperforms existing state-of-the-art approaches, confirming its strong robustness and generalization to unknown scenes.
• Abstract（参考訳）: 本稿では、RGB-Dペアを用いて、見えないデータ分布にまたがる堅牢な深度再構成のための一般化可能な基礎モデルFoundDSRを紹介する。 FoundDSRは、ガウス原始体で深度表現をモデル化するガイド付き2Dガウススプラッティング戦略から始まる。 この戦略では、高分解能なRGBを用いてガウスのパラメータを最適化し、それぞれのガウス原始体が高周波構造方向に沿って異方的に変形するように促す。 得られたガウスアップサンプル表現は、有効深度再構成枝を通して高分解能深度にマッピングされる。 さらに,大規模な異種データにおける分布ギャップに起因する主流ソースに対するトレーニング不安定性とバイアスを軽減するため,各データソースを独立クライアントに割り当て,局所最適化とグローバルアグリゲーションを行うヘテロジニアスフェデレーション学習を導入する。 この設計はFoundDSRを多種多様な大規模トレーニングデータに安定したスケーラビリティで実現している。 合成、実世界、任意のスケール、ノイズの条件に関する広範囲なゼロショット評価は、FoundDSRが既存の最先端のアプローチを一貫して上回り、その強い堅牢性と未知のシーンへの一般化を確認していることを示している。

関連論文リスト

• Iterative Refinement Diffusion for Super-Resolved Data Assimilation of Multiscale Physical Systems [11.5117887420162]
  イテレーティブ・リファインメント(Iterative Refinement, IR)は、時間的事前の視点、生成的修正、多分解能再構成を組み合わせた学習データ同化フレームワークである。 256x256 Kraichnanベンチマークでは、IRは0.184のRMSEと0.836のSSIMを達成し、スペクトルアップサンプリング、ワンショット拡散超解像、拡張深度超解像、自己回帰予測器を上回ります。
  論文  参考訳（メタデータ） (2026-08-13T22:45:40Z)
• 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)
• DegBins: Degradation-Driven Binning for Depth Super-Resolution [57.61783461543096]
  DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。 DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-10T16:17:11Z)
• Wasserstein Convergence of Score-based Generative Models under Semiconvexity and Discontinuous Gradients [3.007949058551534]
  スコアベース生成モデル(SGM)は、ガウス雑音で摂動させ、学習された拡散過程を通じてデノベーションすることで、データ分布を近似する。 我々は、潜在的に不連続な勾配を持つ半1次を対象とするSGMに対して、最初の非同相なワッサーシュタイン-2収束保証を確立する。
  論文  参考訳（メタデータ） (2025-05-06T11:17:15Z)
• DEPTHOR: Depth Enhancement from a Practical Light-Weight dToF Sensor and RGB Image [8.588871458005114]
  本稿では,コンピュータビジョンにおける深度向上のための新しい補完方式DEPTHORを提案する。 まず、合成データセットの正確な基底真理から実世界のdToFデータをシミュレートし、ノイズロバストトレーニングを可能にする。 第2に,グローバルな深度関係と文脈情報を利用して,単眼深度推定(MDE)を組み込んだ新しいネットワークを設計し,課題領域の予測を改善する。
  論文  参考訳（メタデータ） (2025-04-02T11:02:21Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)

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。