論文の概要: MEGA: Object-Level Mesh Extraction from 3D Gaussian Splatting via Spatial Visual Distillation

• arxiv url: http://arxiv.org/abs/2610.01707v1
• Date: Thu, 01 Oct 2026 13:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.172658
• Title: MEGA: Object-Level Mesh Extraction from 3D Gaussian Splatting via Spatial Visual Distillation
• Title（参考訳）: MEGA:空間的視覚蒸留による3次元ガウス散乱からのオブジェクトレベルメッシュ抽出
• Abstract要約: textbfMEGA (underlineMesh underlineExtraction from underlineGAussians)は、複雑な3DGSシーンからオブジェクトレベルの水密メッシュを抽出するフレームワークである。 MEGAは、オブジェクトレベル3Dの正確な占有を回復する上で、最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 26.11158859600897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mesh extraction from 3D Gaussian Splatting (3DGS) aims to endow 3D Gaussians with accurate geometric structures, enabling explicit and precise 3D occupancy. However, existing methods primarily focus on scene-level mesh extraction, making them unable to represent object-level occupancy and often resulting in non-watertight surfaces. To overcome these limitations, we propose \textbf{MEGA} (\underline{M}esh \underline{E}xtraction from \underline{GA}ussians), a ``segment-then-mesh'' framework for extracting object-level, watertight meshes from complex 3DGS scenes. At the core of MEGA are \textbf{Spatial Visual Distillation (SVD)} and a mask-guided neural surface reconstruction module. SVD treats the 3DGS model as a teacher, sampling diverse camera poses and rendering the corresponding views of each segmented object. These observations are then used to train a mesh reconstruction model through photometric supervision. Extensive experiments on several widely used benchmarks demonstrate that MEGA achieves state-of-the-art performance in recovering accurate object-level 3D occupancy. Moreover, MEGA enables complex physical interactions by combining high-quality object-level meshes for geometric occupancy with 3DGS representations for photorealistic rendering.
• Abstract（参考訳）: 3D Gaussian Splatting(3DGS)からのメッシュ抽出は、正確な幾何学的構造を持つ3D Gaussianの実現を目的としており、明確で正確な3D占有を可能にする。 しかし、既存の手法は主にシーンレベルのメッシュ抽出に焦点を当てており、それらはオブジェクトレベルの占有度を表現できず、しばしば非水面となる。 これらの制約を克服するために,複雑な3DGSシーンからオブジェクトレベルの水密メッシュを抽出するための 'segment-then-mesh'' フレームワークである \textbf{MEGA} (\underline{M}esh \underline{E}xtraction from \underline{GA}ussians) を提案する。 MEGAのコアには、 \textbf{Spatial Visual Distillation (SVD) とマスク誘導型ニューラルサーフェス再構築モジュールがある。 SVDは3DGSモデルを教師として扱い、多様なカメラのポーズをサンプリングし、各セグメント化されたオブジェクトの対応するビューをレンダリングする。 これらの観測は、光度監督を通してメッシュ再構成モデルをトレーニングするために使用される。 いくつかの広く使用されているベンチマークにおいて、MEGAは正確なオブジェクトレベルの3D占有率の回復において最先端の性能を達成することを示した。 さらに、MEGAは、幾何学的占有のための高品質なオブジェクトレベルのメッシュと、フォトリアリスティックレンダリングのための3DGS表現を組み合わせることで、複雑な物理的相互作用を可能にする。

関連論文リスト

• GaussianDS: Depth-supervised Semantic Gaussian Splatting for Scene Understanding [9.586802962641013]
  3D Gaussian Splattingは、3D再構成のための効率的な表現を提供する。 最近の拡張は、オープン語彙のシーン理解のためにガウス語に意味属性を付ける。 本稿では,セマンティックリフティングを統括的アライメント問題として扱う,奥行き管理型セマンティック3DGSフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T05:27:16Z)
• GVSynergy-Det: Synergistic Gaussian-Voxel Representations for Multi-View 3D Object Detection [18.809986709717446]
  画像に基づく3Dオブジェクト検出は、RGB画像のみを使用して3D空間内のオブジェクトを識別およびローカライズすることを目的としている。 既存の画像ベースのアプローチは、2つの重要な課題に直面している。 本稿では,GVSynergy-Detを提案する。GVSynergy-Detは,相乗的ガウス・ボクセル表現学習による3次元検出を強化するフレームワークである。
  論文  参考訳（メタデータ） (2025-12-29T03:34:39Z)
• PIG: Physically-based Multi-Material Interaction with 3D Gaussians [14.097146027458368]
  PIG: 3次元ガウシアンとの物理的に基いた多元的相互作用は、3次元物体のセグメンテーションと高精度に相互作用する物体のシミュレーションを組み合わせた新しいアプローチである。 本手法は,映像品質の面では最先端技術(SOTA)よりも優れるだけでなく,物理的に現実的なシーン生成の分野での新たな方向やパイプラインも開放することを示す。
  論文  参考訳（メタデータ） (2025-06-09T11:25:21Z)
• Self-supervised Learning of Hybrid Part-aware 3D Representations of 2D Gaussians and Superquadrics [16.446659867133977]
  PartGSは、オブジェクトやシーンを解釈可能な分解に解析するために、2Dガウスとスーパークワッドリックを統合する、自己管理された部分認識再構築フレームワークである。 提案手法は,DTU,ShapeNet,および実世界のデータセットに関する広範な実験において,最先端の手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-20T12:30:37Z)
• GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
  本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。 物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。 本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。 抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-06-21T07:37:17Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
  単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。 本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。 実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
  論文  参考訳（メタデータ） (2024-03-15T12:24:36Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)

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。