論文の概要: Remote Sensing Sparse-View 3D Gaussian Splatting via Depth Image-Based Rendering

• arxiv url: http://arxiv.org/abs/2609.35612v1
• Date: Mon, 28 Sep 2026 16:55:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:21:46.249722
• Title: Remote Sensing Sparse-View 3D Gaussian Splatting via Depth Image-Based Rendering
• Title（参考訳）: 奥行き画像ベースレンダリングによる3次元ガウス散乱のリモートセンシング
• Abstract要約: クロスビュー整合性管理のための疑似ビューを生成するための,ニューラルガウススティングフレームワークであるDIBR-GSを提案する。 幾何学的および外観的制約を付加するために, プログレッシブDIBRに基づく疑似視点監視戦略を導入する。 実験により,提案手法は3つの入力ビューしか持たない学習において,既存の手法よりも優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 34.24765942307795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing novel view synthesis under sparse observations remains challenging due to insufficient geometric constraints and limited cross-view supervision. Existing Neural Radiance Fields (NeRF) and 3D Gaussian Splatting (3DGS) methods are prone to overfitting and face challenges of depth ambiguities, missing cross-view information, and insufficient constraints in under-observed regions. To address these challenges, we propose DIBR-GS, a neural Gaussian Splatting framework that exploits Depth Image-Based Rendering (DIBR) to generate pseudo views for cross-view consistency supervision. Specifically, reliable geometric initialization is constructed by aligning monocular depth priors with sparse SfM reconstruction, and cross-view appearance priors are incorporated into neural Gaussian representations to enhance appearance modeling under sparse observations. Furthermore, we introduce a progressive DIBR-based pseudo-view supervision strategy to provide additional geometric and appearance constraints, enabling more complete reconstruction of weakly observed regions. In addition, a height-constrained anchor growth strategy is designed to suppress unreasonable Gaussian expansion. Experiments demonstrate that the proposed method achieves superior performance over existing approaches when training with only 3 input views. Compared with the previous best-performing method, it improves PSNR by 6.83 dB, with relative gains of 14\% in SSIM and 60\% in LPIPS, while maintaining competitive computational efficiency. Our code is available at https://github.com/kanehub/DIBR-GS
• Abstract（参考訳）: 微視的観察下でのリモートセンシング新規ビュー合成は, 幾何的制約が不十分であり, クロスビューの監督が限られているため, 依然として困難である。 既存のNeRF(Near Radiance Fields)と3D Gaussian Splatting(3DGS)の手法は、深度あいまいさ、クロスビュー情報の欠如、未観測領域における制約の不足といった問題に過度に適合し、直面する傾向にある。 これらの課題に対処するため、我々は、Depth Image-Based Rendering (DIBR) を利用して、クロスビュー整合性管理のための疑似ビューを生成するニューラルガウス・スプレイティングフレームワークであるDIBR-GSを提案する。 具体的には、単眼深度をスパースSfM再構成と整列させることにより、信頼性の高い幾何初期化を構築し、スパース観測下での外観モデリングを強化するために、クロスビューの外観先行をニューラルガウス表現に組み込む。 さらに, プログレッシブDIBRに基づく疑似視点監視手法を導入し, 幾何学的, 外観的制約を付加し, 弱い観察領域のより完全な再構築を可能にする。 さらに、高度制約付アンカー成長戦略は、不合理なガウス展開を抑制するように設計されている。 実験により,提案手法は3つのインプットビューしか持たない学習において,既存の手法よりも優れた性能を発揮することが示された。 従来のベストパフォーマンス手法と比較して、PSNRを6.83dB改善し、SSIMでは14倍、LPIPSでは60倍の相対的なゲインを達成し、競争計算効率を維持した。 私たちのコードはhttps://github.com/ Kanehub/DIBR-GSで利用可能です。

関連論文リスト

• D3GS: Depth, DINO, and RGB Diffusion Co-Guided 3D Gaussian Splatting for Sparse-View Reconstruction [45.82236569796408]
  D$3$GSはDepth-DINO-Diffusionガイド付きスパースビューガウス再構成フレームワークで、幾何学と外観を共同で強化する。 DTU、LLFF、Mip-NeRF 360の実験では、D$3$GSは強いベースラインよりも一貫性と実質的な改善を達成している。
  論文  参考訳（メタデータ） (2026-09-19T10:41:14Z)
• Sparse-View Surface Reconstruction using Gaussian Splatting through High-Confidence Depth Propagation with Normal Priors [88.6801530914898]
  スパースビューからの高忠実度表面再構成のための3DGSに基づく新しい手法を提案する。 我々の重要な洞察は、通常の誘導深度伝播アプローチを導入することである。 本手法は,スパース・ビュー・サーフェス・コンストラクションにおける最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2026-07-04T08:33:40Z)
• VA-GS: Enhancing the Geometric Representation of Gaussian Splatting via View Alignment [48.147381011235446]
  3D Gaussian Splattingは、リアルタイムな新規ビュー合成のための効率的なソリューションとして最近登場した。 ビューアライメントによる3次元ガウス多様体の幾何学的表現を強化する新しい手法を提案する。 本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-13T14:44:50Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• 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)

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。