論文の概要: UGOD: Uncertainty-Guided Opacity and Dropout for Sparse-View 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.39089v1
• Date: Wed, 30 Sep 2026 06:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.286074
• Title: UGOD: Uncertainty-Guided Opacity and Dropout for Sparse-View 3D Gaussian Splatting
• Title（参考訳）: UGOD:Sparse-View 3D Gassian Splattingのための不確実なガイド付きOpacityとDropout
• Abstract要約: Sparse-view 3D Gaussian Splatting は、限られた観測で多くのガウス原始体が制約されるため、過度に適合する傾向にある。 ガウス語毎のビュー依存不確実性スコアを推定する不確実性誘導フレームワークであるUGODを導入し、そのレンダリングコントリビューションを規定する。
• 参考スコア（独自算出の注目度）: 31.803237409175498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse-view 3D Gaussian Splatting is prone to overfitting because limited observations leave many Gaussian primitives weakly constrained, yet their contributions are still accumulated through alpha blending. Without uncertainty estimation, the renderer cannot distinguish unreliable primitives from well-constrained ones, allowing their erroneous contributions to corrupt novel-view synthesis. We introduce UGOD, an uncertainty-guided framework that estimates a view-dependent uncertainty score for each Gaussian and uses it to regulate its rendering contribution. A lightweight uncertainty head conditioned on Gaussian attributes and viewing direction predicts this score, which then drives a differentiable opacity-modulation mechanism that attenuates high-uncertainty primitives before compositing. During training, a detached soft-dropout branch applies an uncertainty-controlled continuous keep mask to discourage the model from relying on poorly constrained Gaussians and thereby reduce overfitting. Crucially, detaching the uncertainty score prevents gradients from this stochastic regulariser from biasing or collapsing the uncertainty prediction. Experiments on Mip-NeRF~360 and LLFF show that UGOD improves sparse-view novel-view synthesis while producing more compact Gaussian representations than the compared methods. These results demonstrate that Gaussian uncertainty provides an effective rendering-time control for sparse-view reconstruction.
• Abstract（参考訳）: Sparse-view 3D Gaussian Splatting は、多くのガウス原始体が弱い制約を保ちながら、アルファブレンディングを通じてその貢献が蓄積されるため、過剰適合しがちである。 不確実性な推定がなければ、レンダラーは信頼できないプリミティブをよく制約されたプリミティブと区別することができず、その誤った寄与を失敗するノベルビュー合成に許す。 ガウス語毎のビュー依存不確実性スコアを推定する不確実性誘導フレームワークであるUGODを導入し、そのレンダリングコントリビューションを規定する。 ガウス属性に条件付された軽量不確実性ヘッドと視聴方向は、このスコアを予測し、合成前に高不確かさプリミティブを減衰させる異なる不透明度変調機構を駆動する。 トレーニング中、分離されたソフトドロップアウトブランチは、不確実性制御された連続キープマスクを適用して、モデルが制約の厳しいガウスに頼らないようにし、過度な適合を抑える。 重要なことに、不確実性スコアの除去は、この確率正規化器からの勾配が不確実性予測を偏見または崩壊することを防ぐ。 Mip-NeRF~360とLLFFの実験では、UGODはスパースビューのノベルビュー合成を改善し、比較法よりもコンパクトなガウス表現を生成する。 これらの結果は、ガウスの不確実性はスパースビュー再構成に有効なレンダリング時間制御を提供することを示した。

関連論文リスト

• From Uncertainty to Stability and Fidelity: Guiding Sparse-View 3D Gaussian Splatting with Fisher Information [55.09838774957981]
  3D Gaussian Splatting (3DGS) は新規な視点合成のための有望な技術として登場している。 スパースビューのシナリオでは、3DGSは過度に適合する傾向があり、顕著なアーティファクトとレンダリング品質が低下する。 本稿では,幾何的事前利用と正規化を定量的に導くために,フィッシャー情報を利用したスパースビュー3DGSを提案する。
  論文  参考訳（メタデータ） (2026-06-18T18:27:17Z)
• PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
  ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。 PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。 PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
  論文  参考訳（メタデータ） (2026-05-12T13:00:39Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
  フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。 再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
  論文  参考訳（メタデータ） (2026-04-06T17:24:18Z)
• UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている 本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。 提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
  論文  参考訳（メタデータ） (2025-08-07T01:42:22Z)
• Binocular-Guided 3D Gaussian Splatting with View Consistency for Sparse View Synthesis [53.702118455883095]
  本稿では,ガウススプラッティングを用いたスパースビューから新しいビューを合成する新しい手法を提案する。 私たちのキーとなるアイデアは、両眼画像間の両眼立体的一貫性に固有の自己超越を探索することにあります。 我々の手法は最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T15:10:27Z)
• Generalized Gaussian Temporal Difference Error for Uncertainty-aware Reinforcement Learning [0.19418036471925312]
  深部強化学習における一般化されたガウス誤差モデリングのための新しい枠組みを提案する。 我々はデータ依存型アレタリック不確実性の推定と緩和を改善する。 ポリシー勾配アルゴリズムによる実験は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2024-08-05T08:12:25Z)

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。