論文の概要: SCION: Scene Composition with Instanced Neural Primitives

• arxiv url: http://arxiv.org/abs/2610.02322v2
• Date: Mon, 05 Oct 2026 14:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.532414
• Title: SCION: Scene Composition with Instanced Neural Primitives
• Title（参考訳）: SCION: ケースドニューラルプリミティブを用いたシーン構成
• Abstract要約: 現実世界のシーンは構成的であり、レンガ、草の刃、小石、木の葉は人間が作った自然環境に再帰する。 大半の3次元ガウス分割と追従抽象と圧縮法は各要素をユニークなものとして扱い、シーンごとに数百万の独立ガウスを適合させる。 本稿では,独立したガウスを再利用プリミティブのコンパクトな語彙に置き換える階層的な構成シーン表現であるSCIONを紹介する。
• 参考スコア（独自算出の注目度）: 29.098513809227796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world scenes are compositional: bricks, blades of grass, pebbles, and tree leaves recur across human-built and natural environments. Existing neural scene representations model these elements independently. Most 3D Gaussian Splatting and follow-up abstraction and compression methods treat each element as unique, fitting millions of independent Gaussians per scene. Prior methods like Splat and Replace fit template objects, but they require mostly manual selection of repeated elements. As a result, these representations store redundant parameters and provide weak manipulation handles for downstream tasks. We introduce SCION, a hierarchical compositional scene representation that replaces independent Gaussians with a compact vocabulary of reusable primitives and lightweight world-space instances that place transformed copies throughout the scene. We fit this representation to multi-view captures via a joint optimization over discrete and continuous scene parameters, combining two-level densification over splats and instances with an adversarial loss that preserves detail across shared primitives. The recovered structure yields a compact, controllable representation while maintaining high quality even at 1.2 MB. SCION achieves rate-distortion favorable to existing Gaussian compression methods, and it enables instance-level scene editing and animation without retraining. Our results show that neural scene representations need not memorize scenes as independent primitives; they can discover reusable parts. Project webpage: https://light.princeton.edu/SCION
• Abstract（参考訳）: 現実世界のシーンは構成的であり、レンガ、草の刃、小石、木の葉は人間が作った自然環境に再帰する。 既存のニューラルシーン表現はこれらの要素を独立してモデル化する。 大半の3次元ガウス分割と追従抽象と圧縮法は各要素をユニークなものとして扱い、シーンごとに数百万の独立ガウスを適合させる。 SplatやReplaceといった以前のメソッドはテンプレートオブジェクトに適合するが、ほとんどの場合、反復する要素を手動で選択する必要がある。 その結果、これらの表現は冗長なパラメータを格納し、下流タスクに対する弱い操作ハンドルを提供する。 SCIONは、独立したガウスを、再利用可能なプリミティブのコンパクトな語彙と、変換されたコピーをシーン全体に配置する軽量な世界空間インスタンスに置き換える階層的な構成シーン表現である。 この表現を、離散的および連続的なシーンパラメータに対する共同最適化によりマルチビューキャプチャに適合させ、スプラペットとインスタンス上の2段階の密度化と、共有プリミティブ間の詳細を保存する対角的損失を組み合わせた。 復元された構造は1.2MBでも高品質を維持しながらコンパクトで制御可能な表現が得られる。 SCIONは既存のガウス圧縮法に好適なレート歪みを実現し、インスタンスレベルのシーン編集とアニメーションを再トレーニングせずに実現している。 以上の結果から,ニューラルシーン表現はシーンを独立したプリミティブとして記憶する必要はないことが示唆された。 プロジェクトWebページ: https://light.princeton.edu/SCION

関連論文リスト

• WorldSculpt: Generating Compositional Worlds from Grounded Videos [50.427204240556854]
  本研究では,数百個のオブジェクトを含む散在するシーンの合成3次元表現を生成する問題について検討する。 この課題は、物体が互いに強く干渉し合うような密集したシーンにおいて挑戦的であり、それぞれのビューはその幾何のごく一部しか明らかにしない。 多視点観察に先立ち、強い単物体3D生成を適応させることにより、数百個の物体からなる複雑なシーンを合成的に生成できることが示される。
  論文  参考訳（メタデータ） (2026-09-04T17:59:35Z)
• MLP Splatting: Object-Centric Neural Fields [24.860735567401687]
  3D表現はシーンのレンダリング、理解、相互作用の基本である。 近年の3次元ガウス散乱やニューラルレイディアンス場のようなアプローチは、印象的なフォトリアリスティックなノベルビュー合成を実現している。 数個の表現的光場プリミティブによるシーン分解が可能なシーン分割法であるシーン分割を提案する。
  論文  参考訳（メタデータ） (2026-06-02T16:46:16Z)
• ObjectGS: Object-aware Scene Reconstruction and Scene Understanding via Gaussian Splatting [54.92763171355442]
  ObjectGSは3Dシーンをセマンティックな理解と統合するオブジェクト認識フレームワークである。 我々はObjectGSがオープンボキャブラリやパン光学のセグメンテーションタスクにおいて最先端の手法より優れていることを示す実験を通して示す。
  論文  参考訳（メタデータ） (2025-07-21T10:06:23Z)
• HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
  本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。 提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。 その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
  論文  参考訳（メタデータ） (2025-06-24T03:54:40Z)
• Segment then Splat: Unified 3D Open-Vocabulary Segmentation via Gaussian Splatting [15.849458071604758]
  3D空間でのオープンボキャブラリクエリは、ロボット工学、自律システム、拡張現実といったアプリケーションにおいて、よりインテリジェントな認識を可能にするために不可欠である。 既存のほとんどの手法は2Dピクセルレベルの解析に依存しており、多視点の不整合と3Dオブジェクトの検索が貧弱になる。 そこで我々は,ガウススプラッティングに基づく静的・動的シーンの3次元オープン語彙セグメンテーション手法であるセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2025-03-28T07:36:51Z)
• DeSplat: Decomposed Gaussian Splatting for Distractor-Free Rendering [18.72451738333928]
  DeSplatは、ガウスプリミティブのボリュームレンダリングに基づいて、気晴らしと静的なシーン要素を純粋に分離する新しい方法である。 本稿では,3つのベンチマークデータセットに対してDeSplatの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-29T15:00:38Z)
• SAMPLING: Scene-adaptive Hierarchical Multiplane Images Representation for Novel View Synthesis from a Single Image [60.52991173059486]
  単一画像からの新規ビュー合成のためのシーン適応型階層型多面体画像表現であるSAMPlingを紹介する。 提案手法は,KITTIデータセット上の単一画像を用いて,大規模非有界屋外シーンにおいてかなりの性能向上を示す。
  論文  参考訳（メタデータ） (2023-09-12T15:33:09Z)
• Set-the-Scene: Global-Local Training for Generating Controllable NeRF Scenes [68.14127205949073]
  オブジェクトプロキシを用いて3Dシーンを合成するための新しいGlobalLocalトレーニングフレームワークを提案する。 プロキシを使うことで、個々の独立オブジェクトの配置を調整するなど、さまざまな編集オプションが実現可能であることを示す。 その結果,Set-the-Sceneはシーンの合成と操作に強力なソリューションを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-23T17:17:29Z)

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。