論文の概要: What Builds the Scene? Luminance Dominates Geometry Formation in 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2610.00749v1
- Date: Wed, 30 Sep 2026 21:41:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.776338
- Title: What Builds the Scene? Luminance Dominates Geometry Formation in 3D Gaussian Splatting
- Title（参考訳）: ルミナンスは3次元ガウス散乱における幾何形成を支配している
- Abstract要約: 3D Gaussian Splatting (3DGS)は、RGBの監督から幾何学と外観を共同で学習し、輝度とクロマが学習表現にどのように貢献するかを区別することが困難である。
異なるチャネル管理下でのトレーニングモデルによりこれを研究し、その非出現パラメータを凍結する。
それぞれ4つの独立したランニングを持つ11のベンチマークシーンで、輝度のみから学んだ幾何学は、RGBトレーニングされた幾何より0.085dBのホールドアウト再構成をサポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standard 3D Gaussian Splatting (3DGS) learns geometry and appearance jointly from RGB supervision, making it difficult to isolate how luminance and chroma contribute to the learned representation. We study this by training models under different channel supervision, freezing their non-appearance parameters (position, scale, rotation, and opacity), and re-estimating appearance with the same solver before comparing held-out reconstruction. Across eleven benchmark scenes with four independent runs each, geometry learned from luminance alone supports held-out reconstruction 0.085 dB below RGB-trained geometry on average. If chroma is deleted from a trained model, a sufficiently expressive solver can re-fit it on the frozen geometry to the original quality or slightly better. Higher-order spherical harmonics contribute much more reconstruction quality to luminance than to chroma, improving PSNR by 1.44 dB versus 0.19 dB on average, although on mirror-like surfaces hue does still change with viewpoint. The luminance advantage is even larger when geometry is being formed. Chroma-only supervision produces geometry 3.9-5.5 dB worse than luminance-only supervision after the same appearance solve; densification explains part of this gap. Overall, geometry formation in standard 3DGS is strongly luminance-dominated but not luminance-exclusive, and much of the chromatic appearance can be recovered after spatial support has formed.
- Abstract（参考訳）: 3DGS(Standard 3D Gaussian Splatting)は、RGBの監督から幾何学と外観を共同で学習し、輝度とクロマが学習表現にどのように貢献するかを区別することが困難である。
本研究では,異なるチャネル管理下でのトレーニングモデルを用いて,非出現パラメータ(位置,スケール,回転,不透明度)を凍結し,同じ解法を用いて再推定し,維持的再構成との比較を行った。
それぞれ4つの独立した実行を持つ11のベンチマークシーンで、輝度のみから学んだ幾何学は、平均してRGBトレーニングされた幾何学よりも0.085dB低いホールドアウト再構成をサポートする。
トレーニングされたモデルからクロマが削除された場合、十分に表現力のある解法は、凍結した幾何学を元の品質に戻すか、少し改善することができる。
高次の球面高調波は、クロマよりも高輝度の再現性に寄与し、PSNRを平均で1.44dB、0.19dB改善するが、鏡のような面では、色相は視点によって変化している。
輝度の利点は、幾何学が形成されているときにさらに大きい。
クロマのみの監督は、同じ外観の解決後に輝度のみの監督よりも3.9-5.5 dB悪い幾何学を生成する。
総じて、標準3DGSの幾何形成は強い輝度支配であるが、輝度排他的ではない。
関連論文リスト
- GeoRelight: Learning Joint Geometrical Relighting and Reconstruction with Flexible Multi-Modal Diffusion Transformers [43.42790302992904]
我々は,GeoRelightと共同で解決する統合多モード拡散変換器(DiT)を提案する。
幾何学とリライティングを共同で解くことで、GeoRelightは、幾何を無視したシーケンシャルモデルと従来のシステムの両方よりも優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-22T16:01:04Z) - SGS-Intrinsic: Semantic-Invariant Gaussian Splatting for Sparse-View Indoor Inverse Rendering [48.20667615884167]
SGS-Intrinsicは室内の逆レンダリングフレームワークで、スパースビュー画像に適しています。
本手法は, 高品質な形状復元と, 材料と照明の正確な切り離しを実現する。
論文 参考訳（メタデータ） (2026-03-29T04:45:31Z) - GeoNVS: Geometry Grounded Video Diffusion for Novel View Synthesis [73.97869945427645]
GeoNVSは、幾何学的忠実度とカメラ制御性の両方を明示的な3D幾何学的ガイダンスによって強化する新規なビューシンセサイザーである。
GS-Adapterは3次元ガウス表現に入力ビュー拡散特徴を持ち上げ、幾何学的に矛盾しない表現を補正するために拡散特徴を適応的に融合させる。
9シーンと18設定の実験では最先端のパフォーマンスを示し、SEVAやCameraCtrlよりも11.3%、14.9%改善されている。
論文 参考訳（メタデータ） (2026-03-16T08:23:00Z) - SplatBright: Generalizable Low-Light Scene Reconstruction from Sparse Views via Physically-Guided Gaussian Enhancement [26.905118897488077]
SplatBrightは、スパースsRGB入力からのジョイントローライト拡張と再構成のための最初の一般化可能な3Dガウスフレームワークである。
我々のキーとなる考え方は、物理的に誘導された照明モデリングと幾何学的外観の疎結合を統合して、一貫した低照度再構成を行うことである。
SplatBright は2D と 3D の両方の手法と比較して、目立たない低照度シーンに優れた新規ビュー合成、クロスビュー一貫性、そしてより良い一般化を実現している。
論文 参考訳（メタデータ） (2025-12-21T09:06:16Z) - Beyond Darkness: Thermal-Supervised 3D Gaussian Splatting for Low-Light Novel View Synthesis [15.288134634021139]
非常に低照度な条件下では、新しいビュー合成(NVS)は幾何、色調、ラジオメトリック安定性の点で深刻な劣化に直面している。
本稿では,レチネックスにインスパイアされた照明分解と熱誘導型3次元ガウス散乱を密結合した統合フレームワークDTGSを提案する。
論文 参考訳（メタデータ） (2025-11-17T06:12:53Z) - Towards Integrating Multi-Spectral Imaging with Gaussian Splatting [8.908394706712395]
色(RGB)とマルチスペクトル画像(マルチスペクトル)を3次元ガウススティングフレームワークに統合する方法について検討する。
球面高調波色成分に直接マルチスペクトルデータを統合して、ガウスの多重スペクトル反射率をコンパクトにモデル化することを提案する。
論文 参考訳（メタデータ） (2025-08-31T20:53:35Z) - Generalizable and Relightable Gaussian Splatting for Human Novel View Synthesis [49.67420486373202]
GRGSは、多彩な照明条件下での高忠実なヒューマン・ノベル・ビュー・シンセサイザーのための一般的な3Dガウスのフレームワークである。
我々は, 精密深度および表面の正常度を予測するために, 合成依存データに基づいて学習した照明対応幾何微細化(LGR)モジュールを提案する。
論文 参考訳（メタデータ） (2025-05-27T17:59:47Z) - RNG: Relightable Neural Gaussians [19.197099019727826]
硬表面とソフト境界の両方で物体を照らすことができる新しい3DGSベースのフレームワークを提案する。
また,影の精度を向上させるための深度改善ネットワークも導入した。
提案手法は,従来の手法に比べてトレーニング(1.3時間)とレンダリング(60フレーム/秒)を著しく高速化する。
論文 参考訳（メタデータ） (2024-09-29T13:32:24Z) - 2D Gaussian Splatting for Geometrically Accurate Radiance Fields [50.056790168812114]
3D Gaussian Splatting (3DGS)は近年,高画質の新規ビュー合成と高速レンダリングを実現し,放射界再構成に革命をもたらした。
多視点画像から幾何学的精度の高い放射場をモデル化・再構成するための新しいアプローチである2DGS(2D Gaussian Splatting)を提案する。
競合する外観品質、高速トレーニング速度、リアルタイムレンダリングを維持しつつ、ノイズフリーかつ詳細な幾何学的再構成を可能にする。
論文 参考訳（メタデータ） (2024-03-26T17:21:24Z)
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。