論文の概要: Less Is More: Genetic Frame Selection for Efficient Novel View Synthesis

• arxiv url: http://arxiv.org/abs/2609.35573v1
• Date: Mon, 28 Sep 2026 16:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:45:22.831975
• Title: Less Is More: Genetic Frame Selection for Efficient Novel View Synthesis
• Title（参考訳）: より少ないもの:効率的な新しい視点合成のための遺伝的フレーム選択
• Abstract要約: 本稿では、対象視点のカバレッジ、予め選択されたビューとの冗長性、画像のシャープさに基づいてフレームをスコアするレンダリングフリーなビューセレクタを提案する。 軽量スコアリングネットワークは、レンダリング、再構成、シーンごとの最適化なしに最も情報性の高いフレームを選択する。 この結果から,目的の関連性や視点間の冗長性を明確に推論することが,効率的なシーン再構築の基本的な要因であることが示唆された。
• 参考スコア（独自算出の注目度）: 41.663490924800406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward novel view synthesis reconstructs a scene from many input images in a single forward pass, yet more views do not necessarily improve performance: redundant or poorly chosen frames increase computational cost and may degrade reconstruction quality. We address the problem of selecting, from an already captured sequence, a fixed-size subset of input views that is most informative for reconstructing specified target viewpoints. We propose a render-free view selector that scores candidate frames based on three complementary criteria: target-view coverage, measured against observed frames that stand in for the targets, redundancy with previously selected views, and image sharpness. A lightweight scoring network then selects the most informative frames without rendering, reconstruction, or per-scene optimization at inference time. To train the selector, we distill an expensive offline search procedure in which a genetic algorithm identifies high-quality subsets by directly optimizing reconstruction performance on training scenes. The selector learns to reproduce these choices from geometric and image-level features alone. Across six datasets and multiple input budgets, our method consistently outperforms both geometric and reconstruction-aware view-selection baselines while incurring significantly lower selection costs than reconstruction-based alternatives. Moreover, carefully selected subsets can outperform feed-forward reconstruction from the full input sequence. The learned selector generalizes across diverse reconstruction paradigms (feed-forward, 3D Gaussian Splatting, and NeRF), to object-targeted reconstruction and to a cross-capture setting in which the target views come from a separate acquisition pass. More broadly, our results indicate that explicitly reasoning about target relevance and inter-view redundancy is a fundamental factor in efficient scene reconstruction.
• Abstract（参考訳）: フィードフォワードの新規ビュー合成は、多くの入力画像から1回のフォワードパスでシーンを再構成するが、より多くのビューが必ずしもパフォーマンスを改善するとは限らない。 我々は、既に捕獲されたシーケンスから、特定の対象視点を再構築するのに最も有用な、入力ビューの固定サイズのサブセットを選択する問題に対処する。 本稿では,3つの相補的基準に基づき,対象の視認率,対象の視認率,予め選択された視認率,画像のシャープネスの3つの基準に基づいて,候補フレームをスコアするレンダリングフリーな視認性セレクタを提案する。 軽量スコアリングネットワークは、推論時にレンダリング、再構成、シーンごとの最適化なしに最も情報性の高いフレームを選択する。 セレクタをトレーニングするために、遺伝的アルゴリズムが高品質なサブセットを識別し、トレーニングシーンにおける再構成性能を直接最適化する高価なオフライン検索手順を蒸留する。 セレクタは、幾何学的特徴と画像レベルの特徴だけでこれらの選択を再現することを学ぶ。 提案手法は,6つのデータセットと複数の入力予算にまたがって,幾何学的および再構成的視点選択ベースラインを常に上回りながら,再構成に基づく選択肢よりも選択コストが大幅に低い。 さらに、慎重に選択されたサブセットは、全入力シーケンスからフィードフォワード再構成より優れる。 学習したセレクタは、多種多様な再構成パラダイム(フィードフォワード、3Dガウススプラッティング、NeRF)を対象とする再構成や、目標ビューを別途取得パスから得るクロスキャプチャ設定に一般化する。 より広範に、目的の関連性や視点間の冗長性を明確に推論することが、効率的なシーン再構築の基本的な要素であることを示す。

関連論文リスト

• Feature-Optimized Vision for Adaptive 3D Scene Reconstruction [0.8557392136621891]
  3次元のシーン再構成は、視覚的に識別可能かつ幾何学的に有用である局所的な画像証拠に依存する。 固定された機能しきい値と均一な機能予算はデプロイが容易だが、反復的なテクスチャ、低パララックス領域、不安定なポイントでの計算を無駄にすることができる。 本稿では3次元再構成のための適応的特徴最適化視覚フロントエンドを提案する。
  論文  参考訳（メタデータ） (2026-05-29T16:49:27Z)
• Intrinsic Image Fusion for Multi-View 3D Material Reconstruction [49.43509537480623]
  多視点画像から高品質な物理材料を再構成するIntrinsic Image Fusionを導入する。 本研究は, 合成シーンと実シーンの両方において, 素材のゆがみにおいて, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-15T10:05:59Z)
• Test-Time Preference Optimization for Image Restoration [33.03412734410562]
  画像復元のための最初のTTPO(Test-Time Preference Optimization)パラダイムを提案する。 TTPOパラダイムは知覚品質を高め、オンザフライで好みのデータを生成し、任意のIRモデルバックボーンと互換性がある。
  論文  参考訳（メタデータ） (2025-11-24T14:32:27Z)
• PVP-Recon: Progressive View Planning via Warping Consistency for Sparse-View Surface Reconstruction [49.7580491592023]
  PVP-Recon, 新規かつ効果的なスパースビュー表面再構成法を提案する。 PVP-Reconは3つのビューで初期表面の再構築を開始し、徐々に新しいビューを追加する。 このプログレッシブビュー計画の進捗は、神経SDFベースの再構築モジュールによってインターリーブされる。
  論文  参考訳（メタデータ） (2024-09-09T10:06:34Z)
• Prompt Recovery for Image Generation Models: A Comparative Study of Discrete Optimizers [57.62831463679979]
  本稿では,近年の離散最適化手法の突発的逆転問題に対する直接比較について述べる。 逆プロンプトと基底真理画像とのCLIP類似性に着目し, 逆プロンプトが生成する画像と基底真理画像との類似性について検討した。
  論文  参考訳（メタデータ） (2024-08-12T21:35:59Z)
• Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
  画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。 提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。 本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-12-24T08:42:37Z)
• Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
  複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。 具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。 我々の手法は最先端技術と競争的に機能する。
  論文  参考訳（メタデータ） (2023-09-06T15:05:04Z)
• NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
  暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。 本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。 本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
  論文  参考訳（メタデータ） (2022-07-22T10:05:36Z)
• Repurposing Existing Deep Networks for Caption and Aesthetic-Guided Image Cropping [33.46066328197085]
  本稿では,ユーザ記述と美学に基づいて,与えられた画像を抽出する新しい最適化フレームワークを提案する。 当社のフレームワークは,意図したユーザ記述や美的満足度に整合した作物を生産することができる。
  論文  参考訳（メタデータ） (2022-01-07T00:23:40Z)

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。