論文の概要: HierGF: Hierarchical Gaussian Fields via Geometry-perception Message Passing for Sparse-view 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2610.01056v1
• Date: Thu, 01 Oct 2026 04:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.908092
• Title: HierGF: Hierarchical Gaussian Fields via Geometry-perception Message Passing for Sparse-view 3D Reconstruction
• Title（参考訳）: HierGF:スパルスビュー3次元再構成のための幾何学知覚メッセージパスによる階層型ガウス場
• Abstract要約: スパースビューには、限られた3D情報しか含まれない。 マッチング用のイメージが多すぎるため、マルチビューの一貫性の構築が困難になる。 アンダーサンプリングされた地域では、しばしば密度制御に依存し、信頼できるガイダンスが欠如している。 本稿では階層的幾何知覚の観点からスパースビュー再構築を再考する階層的場 (HierGF) を提案する。
• 参考スコア（独自算出の注目度）: 55.147891140117906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse view 3D reconstruction is an important and common scenario in multimedia applications, such as augmented reality/virtual reality (AR/VR) content creation, cultural heritage digitization, and certain robotic applications, where only a limited number of randomly captured views may be available. However, sparse views contain only limited 3D information, posing two major challenges:1) too few images are available for matching, making it difficult to build multi-view consistency; 2) insufficient view coverage leads to a lack of information in under-sampled regions, resulting in missing parts of object structure. Existing methods mostly still rely on limited reprojection errors and regularization terms, which are prone to overfitting to a single view and inconsistent appearances across views. In geometrically under-sampled regions, they often rely on heuristic density control, lacking reliable guidance and often resulting in blurring and structural holes.To address these issues, this paper proposes Hierarchical Gaussian Fields (HierGF), which revisits sparse-view reconstruction from a hierarchical geometry-perception perspective and converts limited observations into reliable self-generated supervision beyond fixed priors and heuristic density control. In particular, we transform coarse 3D geometric information and additional 2D generative priors into structured pseudo-supervision through a two-stage geometry-perception backbone network, thereby enhancing multi-view consistency with very few input views. In addition, we introduce a learnable confidence network to guide gradients toward cross-view consistent content, and a geometrically consistent densification module to improve the reconstruction of multi-view alignment and under-sampled regions.
• Abstract（参考訳）: スパースビュー3D再構成は、拡張現実/バーチャルリアリティ(AR/VR)コンテンツ作成、文化遺産のデジタル化、一部のロボットアプリケーションなど、マルチメディアアプリケーションにおいて重要かつ一般的なシナリオであり、ランダムにキャプチャされたビューの限られた数しか利用できない。 しかし、スパースビューには限られた3D情報しか含まれておらず、1)マッチングに利用できる画像が少ないため、マルチビュー整合性の構築が困難である。 2) 視界の不十分さは, アンダーサンプル領域の情報不足を招き, オブジェクト構造の欠落を招いた。 既存の手法は、ほとんどの場合、リジェクションエラーや正規化用語に頼っているが、これは単一のビューに過度に適合し、ビューをまたいだ不整合な外観に適合しがちである。 幾何的アンダーサンプリング領域では、しばしばヒューリスティックな密度制御に頼り、信頼性に欠け、しばしばぼかしや構造的な穴を生じさせるが、これらの問題に対処するために、階層的な幾何学的認識の観点からスパースビューの再構築を再考し、限られた観測を固定された事前とヒューリスティックな密度制御を超えた信頼性の高い自己生成的監視に変換する階層的ガウス場(HierGF)を提案する。 特に,2段階の幾何知覚バックボーンネットワークを通じて,粗い3次元情報と付加的な2次元生成先行情報を構造化擬似スーパービジョンに変換することにより,入力ビューの少ない多視点一貫性を向上する。 さらに、クロスビュー一貫性のあるコンテンツへの勾配を導くための学習可能な信頼ネットワークと、マルチビューアライメントとアンダーサンプル領域の再構築を改善するための幾何学的に一貫した密度モジュールを導入する。

関連論文リスト

• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)
• G4Splat: Geometry-Guided Gaussian Splatting with Generative Prior [53.762256749551284]
  我々は,3次元シーン再構成を効果的に活用するための基本的な前提条件として,正確な幾何学を同定する。 生成パイプライン全体にこの幾何学的ガイダンスを導入し、可視性マスク推定を改善し、新しいビュー選択をガイドし、ビデオ拡散モデルに着色した場合の多視点一貫性を向上させる。 本手法は,屋内および屋外の両方のシナリオにおいて,高い一般化性を有するシングルビュー入力とアンポーズ映像を自然にサポートする。
  論文  参考訳（メタデータ） (2025-10-14T03:06:28Z)
• MS-GS: Multi-Appearance Sparse-View 3D Gaussian Splatting in the Wild [47.52462219920857]
  野生の写真コレクションは、しばしば限られた量の画像を含んでおり、複数の外観を示す。 3DGS を用いたスパースビューシナリオにおけるマルチアジュアンス機能を備えた新しいフレームワーク MS-GS を提案する。 我々は,MS-GSが様々な難解な視界とマルチアジュアンス条件下でフォトリアリスティックレンダリングを実現することを実証した。
  論文  参考訳（メタデータ） (2025-09-19T03:06:49Z)
• Zero-P-to-3: Zero-Shot Partial-View Images to 3D Object [55.93553895520324]
  そこで本研究では,局所的な高密度観測と複数ソースの事前情報を統合した学習自由手法を提案する。 本手法では, DDIMサンプリングにおいて, これらの先行情報を効果的に整合させる融合方式を導入し, 多視点一貫した画像を生成し, 見えない視界を監督する。
  論文  参考訳（メタデータ） (2025-05-29T03:51:37Z)

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。