論文の概要: AESplat: Advancing Pose-Free Feed-Forward 3D Gaussian Splatting via Decoupled Appearance Modeling
- arxiv url: http://arxiv.org/abs/2609.36693v1
- Date: Tue, 29 Sep 2026 04:33:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.18647
- Title: AESplat: Advancing Pose-Free Feed-Forward 3D Gaussian Splatting via Decoupled Appearance Modeling
- Title（参考訳）: AESplat: 疎結合外観モデルによるポスフリーフィードフォワード3次元ガウススプラッティングの改善
- Abstract要約: 本稿では,ポーズフリーフィードフォワード3DGSのための新しい汎用フレームワークであるAESplatについて紹介する。
具体的には、AESplatは、ベースビュー非依存の外観成分を表すゼロ階SH係数を直接導出する。
提案手法は,ポーズフリーなNAS3Rに比べてPSNRが0.8ドルdB向上し,ポーズフリーなDepthSplatよりも1.1ドルdB改善した。
- 参考スコア（独自算出の注目度）: 19.933592096241384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pose-free feed-forward 3D Gaussian Splatting (3DGS) has demonstrated remarkable potential for generalized novel view synthesis. However, existing methods typically predict Gaussian appearance attributes represented by spherical harmonics (SH) in the same manner, overlooking the fundamental distinction between view-independent and view-dependent appearance, which results in suboptimal rendering quality. In this paper, we present AESplat, a novel and general framework for pose-free feed-forward 3DGS that introduces an effective decoupled appearance modeling strategy based on an analysis of SH, enabling higher-quality rendering. Specifically, AESplat directly derives the zeroth-order SH coefficient, which represents the base view-independent appearance component, from the input images without training. The higher-order SH coefficients are subsequently predicted by a shallow multilayer perceptron equipped with two efficient 3D-aware inductive biases to model view-dependent appearance variations. Extensive experiments across multiple datasets demonstrate that our method significantly outperforms state-of-the-art approaches, achieving a $0.8$ dB improvement in PSNR over the pose-free method NAS3R and a $1.1$ dB improvement over the pose-required method DepthSplat on the RealEstate10K dataset. Project page: https://aesplat.github.io/.
- Abstract（参考訳）: ポスフリーフィードフォワード3Dガウススメッティング(3DGS)は、一般化された新規なビュー合成に顕著な可能性を示した。
しかし、既存の手法では、通常、球面調和(SH)で表されるガウスの外観特性を同じ方法で予測し、ビュー非依存とビュー依存の外観の根本的な区別を見極める。
本稿では,ポーズフリーフィードフォワード3DGSの新規かつ汎用的なフレームワークであるAESplatについて述べる。
具体的には、AESplatは、ベースビュー非依存の外観成分を表すゼロ階SH係数を、トレーニングせずに入力画像から直接導出する。
その後、高次SH係数は、ビュー依存の外観変化をモデル化するために、2つの効率的な3D認識誘導バイアスを備えた浅い多層パーセプトロンによって予測される。
複数のデータセットにわたる大規模な実験により、我々の手法は最先端のアプローチを大きく上回り、ポーズフリーなNAS3RよりもPSNRが0.8$dB改善され、RealEstate10Kデータセットでは、ポーズ要求のメソッドであるDepthSplatよりも1.1$dB改善されたことが示されている。
プロジェクトページ: https://aesplat.github.io/.com
関連論文リスト
- VS-Splat: Voxel-Selective feed-forward Gaussian Splatting for end-to-end 3D object reconstruction from sparse-views [4.554131642119508]
Voxel-Selective Gaussian Splatting Model (VS-Splat)
新しいフレームワークは、3D構造を監督することなく、オブジェクトに属する可能性のある選択されたボクセル内でのみ多くのプリミティブを予測する。
3つのベンチマークデータセットによるスパースビューレンダリング実験の結果,提案したVS-Splatは,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2026-09-11T02:08:55Z) - QuerySplat: Decoupling Geometry and Appearance Representations in 3DGS Prediction [25.05567017307621]
textbfQuerySplatは、幾何学的先行と明示的な外見の疎結合によって駆動されるフィードフォワード3DGSフレームワークである。
実験によると、QuerySplatは初期のクエリベースのモデルの曖昧なレンダリング問題を緩和する。
挑戦的なDL3DVベンチマークでは、ポーズフリーでポーズ要求のベースラインよりも平均2.30dBと1.04dBのPSNRゲインを持つ最先端の新規ビュー合成性能を達成している。
論文 参考訳（メタデータ） (2026-08-02T12:12:02Z) - Spherical Voronoi: Directional Appearance as a Differentiable Partition of the Sphere [40.4559860929106]
球状ボロノイを3次元ガウススプラッティングにおける外観表現の統一的枠組みとして提案する。
拡散的な外観では、SVは既存の代替よりも最適化をシンプルに保ちながら、競争結果を達成する。
この定式化は、合成および実世界のデータセットに関する最先端の結果を得る。
論文 参考訳（メタデータ） (2025-12-16T08:21:41Z) - ProSplat: Improved Feed-Forward 3D Gaussian Splatting for Wide-Baseline Sparse Views [31.282881864317375]
ProSplatは2段階のフィードフォワードフレームワークで、幅広いベースライン条件下で高忠実度レンダリングを行う。
ProSplatは最近のSOTA法と比較してPSNRで1dBの平均的な改善を実現している。
論文 参考訳（メタデータ） (2025-06-09T11:45:50Z) - EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。
本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
論文 参考訳（メタデータ） (2025-03-26T02:47:27Z) - A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
本稿では,2次元監視のみを用いた3次元画像調和拡散モデルの学習フレームワークを提案する。
既存の3D生成モデルは、大規模な3Dデータセットが不足しているため、完全に3Dの監視に依存している。
論文 参考訳（メタデータ） (2024-12-01T00:29:57Z) - 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) - GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。
モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。
最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
論文 参考訳（メタデータ） (2024-07-05T03:43:08Z) - 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。