論文の概要: DecomVoxel: Harnessing 3D-Native Priors with Guided In-situ Denoising Optimization for Decompositional Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2610.01914v1
• Date: Thu, 01 Oct 2026 15:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.237686
• Title: DecomVoxel: Harnessing 3D-Native Priors with Guided In-situ Denoising Optimization for Decompositional Scene Reconstruction
• Title（参考訳）: DecomVoxel: 3D-Native Priors with Guided In-situ Denoising Optimization for Decompositional Scene Reconstruction (特集:平成11年度日本建築学会講演会講演要旨)
• Abstract要約: DecomVoxelは、ニューラルネットワークのシーン再構成で3Dネイティブの事前処理をブリッジする、その場で記述された最適化である。 本枠組みは, 安定な潜水精製を実現するため, エプシロン系蒸留装置の改質による蒸留損失を導入するものである。 ReplicaとScanNet++の実験によると、DecomVoxelは最先端のメソッドよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 55.418918217796886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decompositional scene reconstruction aims to reconstruct high-quality objects and background, yet existing methods still struggle with the level of quality under heavy occlusions. While generative priors offer a potential solution, 2D image-based priors often suffer from multi-view inconsistency due to a lack of 3D awareness. Conversely, 3D-native priors provide stronger structural inductive biases but frequently lead to spatial drift and misalignment within complex scenes. To address these issues, we propose DecomVoxel, formulating object completion as a guided in-situ denoising optimization that bridges 3D-native priors with neural scene reconstruction. Our framework introduces a reformulated epsilon-based distillation loss to ensure stable latent refinement, alongside adaptive spatial guidance that utilizes occupied and vacant anchors with temporal annealing to suppress generative hallucinations and mitigate spatial drift. Experiments on Replica and ScanNet++ show that DecomVoxel significantly outperforms state-of-the-art methods while faithfully preserving the original spatial layout, structural fidelity, and style-consistent texture. Our method pushes the boundary of decompositional reconstruction by delivering high-quality textured meshes with clean topology, geometry, and appearance, providing a robust solution for the decompositional reconstruction of complex real-world scenes. Code is available at https://github.com/DecomVoxel/DecomVoxel.
• Abstract（参考訳）: 分解シーン再構築は、高品質な物体や背景を再構築することを目的としているが、既存の手法は、重い閉塞下での品質レベルに苦慮している。 生成前者は潜在的な解決策を提供するが、2D画像に基づく前者は3D認識の欠如により多視点不整合に悩まされることが多い。 逆に、3Dネイティブはより強い構造的帰納バイアスを与えるが、複雑なシーンにおける空間的ドリフトや不整合につながることが多い。 これらの問題に対処するために、我々は3Dネイティブの先行をニューラルシーン再構成で橋渡しするガイド付きインシチュードデノナイズ最適化として、オブジェクト補完を定式化したDecomVoxelを提案する。 提案手法は, 適応型空間誘導法と適応型空間誘導法を併用し, 占有型および空洞型アンカーに時間的熱処理を施し, 発生幻覚の抑制と空間的ドリフトの軽減を図ったものである。 ReplicaとScanNet++の実験によると、DecomVoxelは、元の空間レイアウト、構造的忠実さ、スタイル一貫性のあるテクスチャを忠実に保ちながら、最先端のメソッドを著しく上回っている。 本手法は,高品位なテクスチャメッシュをクリーンなトポロジ,幾何学,外観で提供し,複雑な実世界のシーンの分解的再構築のための堅牢なソリューションを提供することによって,分解的再構築の境界を押し上げる。 コードはhttps://github.com/DecomVoxel/DecomVoxelで入手できる。

関連論文リスト

• ReconViaGen: Towards Accurate Multi-view 3D Object Reconstruction via Generation [28.308731720451053]
  我々はReconViaGenを提案する。 我々のReconViaGenは、グローバルな構造と局所的な詳細の両方において、入力ビューと整合した完全かつ正確な3Dモデルを再構築できることを実証した。
  論文  参考訳（メタデータ） (2025-10-27T13:15:06Z)
• AttentionGS: Towards Initialization-Free 3D Gaussian Splatting via Structural Attention [11.400892739301804]
  3D Gaussian Splatting(3DGS)はNeRF(Neural Radiance Fields)の強力な代替品である これはStructure-from-Motion(SfM)からの高品質な点雲に依存している。 本稿では,高品質な初期点雲への依存を解消する新しいフレームワークであるAttentionGSを提案する。
  論文  参考訳（メタデータ） (2025-06-30T08:16:43Z)
• DeclutterNeRF: Generative-Free 3D Scene Recovery for Occlusion Removal [12.381139489267495]
  DeclutterNeRFは,前駆体を含まない閉塞除去法である。 DeclutterNeRFは、提案したDeclutterSetの最先端メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-04-07T02:22:08Z)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• 3D Gaussian Splatting against Moving Objects for High-Fidelity Street Scene Reconstruction [1.2603104712715607]
  本稿では,ダイナミックストリートシーン再構築のための新しい3次元ガウス点分布法を提案する。 提案手法では,高忠実度な静的シーンを保存しながらオブジェクトの移動を除去する。 実験により, 大規模動的環境における再現性の向上, レンダリング性能の向上, 適応性の向上が示された。
  論文  参考訳（メタデータ） (2025-03-15T05:41:59Z)
• SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
  本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。 我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
  論文  参考訳（メタデータ） (2024-06-19T23:53:31Z)
• VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [73.50359502037232]
  VoxNeRFは、ニューラル室内再構成と新しいビュー合成の質と効率を高めるための新しいアプローチである。 本稿では,最も関連性の高い領域に計算資源を割り当てる効率的なボクセル誘導サンプリング手法を提案する。 私たちのアプローチは、ScanNetとScanNet++に関する広範な実験で検証されています。
  論文  参考訳（メタデータ） (2023-11-09T11:32:49Z)

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。