論文の概要: WINGS: Reference-Free Gaussian Splatting Inpainting with 3D-Native Generative Priors

• arxiv url: http://arxiv.org/abs/2609.37816v1
• Date: Tue, 29 Sep 2026 15:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.683874
• Title: WINGS: Reference-Free Gaussian Splatting Inpainting with 3D-Native Generative Priors
• Title（参考訳）: WINGS: 3D-Native Generative Priorsを用いたレファレンスフリーガウスめっき
• Abstract要約: 3D編集の鍵となる課題は、3D空間のマスキング領域内で可塑性コンテンツを生成することである。 従来のアプローチでは、1つまたは複数のインペイントされた参照ビューを生成するために2次元拡散モデルに依存していた。 本稿では,3Dで動作するガウススプラッティング塗装法を提案する。
• 参考スコア（独自算出の注目度）: 2.309034516493804
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inpainting 3D Gaussian Splatting scenes, a key challenge in 3D editing, requires generating plausible content within a masked region of 3D space. Prior approaches rely on 2D diffusion models to produce one or several inpainted reference views, making them susceptible to challenges associated with multi-view inconsistency and lengthy optimization times. Departing from these approaches, we introduce a reference-free Gaussian splatting inpainting method operating natively in 3D. Our method leverages the embedding space of a large, pre-trained 3D prior, combined with a structure completion network to feed a generative prior which reconstructs the missing region's geometry and appearance. Performing content generation entirely in 3D, it avoids the need to reconcile inconsistencies of multiple inpainted reference images, and is faster than related 2D-based methods. We demonstrate the effectiveness of our method qualitatively and quantitatively, through extensive experiments and a user study. To the best of our knowledge, this work is the first Gaussian splatting inpainting method to operate in the learned representation space of a 3D-native generative prior without relying on inpainted reference views.
• Abstract（参考訳）: 3Dガウス・スプレイティングシーンは、3D編集において重要な課題であり、3D空間のマスキング領域内で可塑性コンテンツを生成する必要がある。 従来のアプローチは1つまたは複数の塗装された参照ビューを生成するために2次元拡散モデルに依存しており、多視点の不整合と長大な最適化時間にかかわる課題に影響を受けやすい。 これらの手法とは別に、3Dでネイティブに動作する参照フリーなガウススプラッティング方式を導入する。 提案手法は, 大規模で事前学習された3次元空間の埋め込み空間と構造完了ネットワークを組み合わせることで, 欠落した領域の形状と外観を再構成する生成前をフィードする。 コンテンツ生成を完全に3Dで行うことで、複数の塗装された参照画像の不整合を解消する必要がなく、関連する2Dベースの手法よりも高速である。 提案手法の有効性を定性的かつ定量的に実証し,広範囲な実験とユーザスタディを通じて検証した。 我々の知る限り、この研究は3D-ネイティブな生成前における学習された表現空間において、塗装された参照ビューに頼らずに機能する最初のガウス的スプレイティング・インペイント法である。

関連論文リスト

• CoIn: Comprehensive 2D-3D Inpainting with Gaussian Splatting Guidance [33.42204651464501]
  CoInは、2Dインペイントモデルと3DGSをマルチステージの一貫性パイプラインを通じてブリッジするフレームワークである。 参照ビュー(2D ->3D)に適応的に重み付けすることで、粗い3Dシーンを再構成するための特徴注意付き参照適応GSを導入する。 最後に、テクスチュア・エンハンシング・ディスクリミネータは高光度リアリズムを実現するために3Dシーンを洗練する(2D ->3D)。
  論文  参考訳（メタデータ） (2026-06-25T22:24:27Z)
• Benchmarking Single-Step Inpainting Methods for Multi-Object 3D Gaussian Splatting Scenes [43.95837214164744]
  再構成に基づくインペーターは3次元整合性における生成拡散モデルより優れる。 最先端の2Dインパタイトを用いて, 3Dセッティングにおいて, 被写体除去の重要性を浮き彫りにするために, 簡単なベースラインを作成する。
  論文  参考訳（メタデータ） (2026-05-29T08:24:16Z)
• WarpGAN: Warping-Guided 3D GAN Inversion with Style-Based Novel View Inpainting [68.77882703764142]
  3D GANインバージョンは、訓練済みの3D GANの潜在空間に単一の画像を投影し、単発のノベルビュー合成を実現する。 本稿では,3D GANインバージョンに画像インバージョンを組み込むためのワーピング・アンド・インペインティング手法を提案し,新しい3D GANインバージョン手法WarpGANを提案する。
  論文  参考訳（メタデータ） (2025-11-11T12:42:07Z)
• DiGA3D: Coarse-to-Fine Diffusional Propagation of Geometry and Appearance for Versatile 3D Inpainting [10.515239541326737]
  単一の参照インペインティングメソッドは、参照ビューから離れたビューを扱う場合、堅牢性に欠ける。 出現不整合は、独立に2次元拡散先行のマルチビュー画像に着色するときに生じる。 DiGA3Dは拡散モデルを用いて、一貫した外観と幾何学を粗い方法で伝播する。
  論文  参考訳（メタデータ） (2025-07-01T04:57:08Z)
• Geometry and Perception Guided Gaussians for Multiview-consistent 3D Generation from a Single Image [10.648593818811976]
  既存のアプローチはしばしば、微調整された事前訓練された2D拡散モデルや、高速ネットワーク推論を通じて直接3D情報を生成することに依存している。 本稿では,新たなモデルトレーニングを必要とせず,幾何学と知覚情報をシームレスに統合する新しい手法を提案する。 実験結果から,新しい視点合成法や3次元再構成法よりも優れ,頑健で一貫した3次元オブジェクト生成を実証した。
  論文  参考訳（メタデータ） (2025-06-26T11:22:06Z)
• 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)
• 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)
• Semantic Gaussians: Open-Vocabulary Scene Understanding with 3D Gaussian Splatting [27.974762304763694]
  セマンティック・ガウシアン(Semantic Gaussians)は,3次元ガウシアン・スプレイティングをベースとした,新しいオープン語彙シーン理解手法である。 既存の手法とは異なり、様々な2次元意味的特徴を3次元ガウスの新たな意味的構成要素にマッピングする多目的投影手法を設計する。 我々は,高速な推論のために,生の3Dガウスから意味成分を直接予測する3Dセマンティックネットワークを構築した。
  論文  参考訳（メタデータ） (2024-03-22T21:28:19Z)

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。