論文の概要: StereoGaussians: Feed-Forward 3D Gaussian Splatting from Stereo Images
- arxiv url: http://arxiv.org/abs/2609.38592v1
- Date: Tue, 29 Sep 2026 21:51:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.776137
- Title: StereoGaussians: Feed-Forward 3D Gaussian Splatting from Stereo Images
- Title（参考訳）: StereoGaussian: ステレオ画像からのフィードフォワード3Dガウス撮影
- Abstract要約: StereoGaussianは、単一のキャリブレーションされたステレオペアからメートル法3DGS表現を予測する。
トレーニングのために,高品質な3DGS教師からSceneSplat-Stereoを構築し,ステレオ入力と近くのターゲットビューとのペアリングを行う。
- 参考スコア（独自算出の注目度）: 26.257524261699146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feed-forward 3D Gaussian Splatting (3DGS) enables reconstruction without per- scene optimisation, but practical stereo-camera applications require nearby-view extrapolation beyond the input views. Stereo depth anchors visible surfaces, yet rendering newly exposed regions also requires learned appearance and additional scene capacity. We introduce StereoGaussians, which predicts a metric 3DGS representation from a single calibrated stereo pair. It reuses intermediate repre- sentations from frozen pretrained stereo networks to predict Gaussian attributes, while calibrated disparity anchors the geometry. A second Gaussian layer and an expanded image canvas provide capacity for disoccluded and outside-field-of- view content. For training, we construct SceneSplat-Stereo from quality-filtered 3DGS teachers, pairing stereo inputs with nearby target views across 803 training scenes. Experiments on unseen real and photorealistic stereo benchmarks demon- strate improvements over strong view-synthesis baselines, while ablation studies support our main design choices.
- Abstract（参考訳）: フィードフォワード3Dガウススティング(3DGS)はシーンごとの最適化を伴わない再構成を可能にするが、実際のステレオカメラアプリケーションでは、入力ビュー以外の近傍ビュー外挿が必要である。
ステレオ深度は目に見える表面をアンカーするが、新しく露出した領域は学習された外観と追加のシーンキャパシティも必要である。
本稿では,1つのキャリブレーションされたステレオペアから3DGSの計量表現を予測するStereoGaussiansを紹介する。
凍結した事前訓練されたステレオネットワークからの中間的な再送を再利用し、ガウスの属性を予測する。
第2のガウス層と拡大された画像キャンバスは、外界および外界コンテンツに容量を提供する。
SceneSplat-Stereoを高品質な3DGS教師から構築し、803のトレーニングシーンでステレオ入力と近くのターゲットビューをペアリングする。
リアルおよびフォトリアリスティックなステレオベンチマークの実験では、強い視線合成ベースラインよりも強い改善が見られたが、アブレーション研究は我々の主要な設計選択を支持している。
関連論文リスト
- StereoSplat+: Feed-Forward Stereo Gaussian Splatting with Diffusion-Assisted Progressive Inference [18.13347835114754]
3D Gaussian Splatting (3DGS) は、新規ビュー合成のための高品質でレンダリング可能なシーン表現を実現している。
既存の3DGSパイプラインのほとんどは、十分なカバレッジを達成するために、マルチビューの観測に依存している。
本稿では,単一のステレオペアから因果的再構成を可能にする拡散促進フィードフォワードフレームワークであるStereoSplat+を提案する。
論文 参考訳（メタデータ） (2026-07-09T16:32:45Z) - StereoGS: Sparse-View 3D Gaussian Splatting via Stereo Priors [0.9326260051834822]
3D Gaussian Splatting (3DGS) は、リアルタイムの新規なビュー合成において顕著な成功を収めた。
幾何的制約が不十分なため、スパースビュー設定下で厳しいオーバーフィッティングに悩まされる。
両眼の安定性を確立するためにステレオ先行情報を統合した新しいスパースビュー3DGSフレームワークであるStereoGSを提案する。
論文 参考訳（メタデータ） (2026-06-29T16:45:57Z) - 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) - Self-Evolving Depth-Supervised 3D Gaussian Splatting from Rendered Stereo Pairs [27.364205809607302]
3D Gaussian Splatting (GS) は、基礎となる3Dシーンの形状を正確に表現するのにかなり苦労している。
この制限に対処し、最適化プロセス全体を通して深度事前の統合を包括的に分析する。
この後者は、容易に利用できるステレオネットワークからの奥行きを動的に利用し、トレーニング中にGSモデル自身がレンダリングした仮想ステレオペアを処理し、一貫した自己改善を実現する。
論文 参考訳（メタデータ） (2024-09-11T17:59:58Z) - 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) - GS2Mesh: Surface Reconstruction from Gaussian Splatting via Novel Stereo Views [9.175560202201819]
3Dガウススプラッティング(3DGS)はシーンを正確に表現するための効率的なアプローチとして登場した。
本稿では,ノイズの多い3DGS表現とスムーズな3Dメッシュ表現とのギャップを埋めるための新しい手法を提案する。
私たちは、オリジナルのトレーニングポーズに対応するステレオアライメントされたイメージのペアをレンダリングし、ペアをステレオモデルに入力して深度プロファイルを取得し、最後にすべてのプロファイルを融合して単一のメッシュを得る。
論文 参考訳（メタデータ） (2024-04-02T10:13:18Z) - Bridging Stereo Geometry and BEV Representation with Reliable Mutual Interaction for Semantic Scene Completion [45.171150395915056]
3Dセマンティックシーン補完(SSC)は、限られた観測から密集した3Dシーンを推定する必要がある不適切な認識課題である。
従来のカメラベースの手法は、固有の幾何学的曖昧さと不完全な観察のため、正確なセマンティックシーンを予測するのに苦労した。
我々は,SSCにおけるステレオマッチング技術と鳥眼ビュー(BEV)表現学習を利用して,そのような問題に対処する。
論文 参考訳（メタデータ） (2023-03-24T12:33:44Z)
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。