論文の概要: Sparse-GS2Mesh: 3D Gaussian Splatting Guided by Novel Stereo Views and 2DGS for Sparse View Surface Reconstruction}

• arxiv url: http://arxiv.org/abs/2610.04203v1
• Date: Sat, 03 Oct 2026 01:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.371746
• Title: Sparse-GS2Mesh: 3D Gaussian Splatting Guided by Novel Stereo Views and 2DGS for Sparse View Surface Reconstruction}
• Title（参考訳）: Sparse-GS2Mesh:新しいステレオビューでガイドされた3次元ガウススプラッティングとスパースビュー表面再構成のための2DGS
• Abstract要約: Sparse-GS2Meshは、スパースビューから表面再構成を行うステレオアウェアフレームワークである。 3DGSとステレオマッチングは、密集した視野環境下での表面再構成に活用されている。 Sparse-GS2Meshは、小さなオーバーラップ設定で最先端メソッドよりも15%改善されている。
• 参考スコア（独自算出の注目度）: 32.79814417176572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface reconstruction under sparse-view settings remains challenging due to limited geometric cues. Volume rendering methods based on signed distance functions often produce over-smoothed surfaces, while 3D Gaussian Splatting (3DGS), though time-efficient, suffers from incomplete geometry due to the lack of reliable depth supervision and the limitation of being optimized only from given input views. In this paper, we present Sparse-GS2Mesh, a stereo-aware framework for surface reconstruction from sparse views. While 3DGS and stereo matching have been leveraged for surface reconstruction under dense view settings, we extend them to operate effectively under sparse view conditions by first initializing 3DGS using epipolar depth priors to mitigate the 3DGS overfitting problem, followed by our three key components: (I) adaptive baseline selection, (II) fine-tuning with a stereo matching network, and (III) 2D/3D co-regularized fine-tuning. Given a warmed-up 3DGS initialized with epipolar depth, the adaptive baseline selection automatically determines a baseline to synthesize for each sparse view. We then fine-tune 3DGS by backpropagating depth-refining gradients from the stereo matching network, effectively specializing the 3DGS for stereo matching. The 2D/3D co-regularization further helps obtain stable reconstruction, addressing weak geometric cues in close stereo views. Sparse-GS2Mesh achieves a 15\% improvement over state-of-the-art methods in little-overlap settings and comparable results in large-overlap settings. Codes will be publicly available.
• Abstract（参考訳）: 疎視条件下での表面再構成は、幾何学的手がかりが限られているため、依然として困難である。 符号付き距離関数に基づくボリュームレンダリング法は、しばしば平滑な曲面を生成するが、3Dガウススプラッティング(3DGS)は時間効率ではあるものの、信頼性の高い深度監督の欠如と、与えられた入力ビューからのみ最適化される制限のために不完全な幾何学に悩まされている。 本稿では,スパースビューから表面再構成を行うステレオ・アウェア・フレームワークであるSparse-GS2Meshを提案する。 3DGSとステレオマッチングは、密集した視野環境下での表面再構成に活用されているが、3DGSオーバーフィッティング問題を緩和するために3DGSを初期化して3DGSを初期化して有効に動作させ、続いて、(I)適応ベースライン選択、(II)ステレオマッチングネットワークによる微調整、(III)2D/3D共規則化微調整という3つの重要なコンポーネントを次々に導入した。 エピポーラ深度で初期化されたウォームアップ3DGSが与えられた場合、適応ベースライン選択は、スパースビュー毎にベースラインを自動的に決定する。 ステレオマッチングネットワークから深度補正勾配をバックプロパゲートすることで3DGSを微調整し,ステレオマッチングのための3DGSを効果的に特定する。 2D/3Dのコレギュラー化により、より安定した再構築が可能となり、近接ステレオビューにおける弱い幾何学的手がかりに対処できる。 Sparse-GS2Meshは、小さなオーバーラップ設定で最先端メソッドよりも15倍改善され、大きなオーバーラップ設定で同等の結果が得られる。 コードは公開されます。

関連論文リスト

• 2D-SuGaR: Surface-Aware Gaussian Splatting for Geometrically Accurate Mesh Reconstruction [20.01352292373102]
  2次元ガウススプラッティング (2DGS) は、多視点画像から立体的かつ幾何的に正確な表面再構成を可能にするために提案されている。 2DGSを単分子深度と通常の先行値に組み込むことで,幾何的精度と頑健さを両立させる。 提案手法をDTUデータセット上で評価し,高品質な新規ビューを維持しつつ,メッシュ再構築におけるフォトリアリスティックな結果が得られることを示した。
  論文  参考訳（メタデータ） (2026-05-01T11:09:29Z)
• PlanarGS: High-Fidelity Indoor 3D Gaussian Splatting Guided by Vision-Language Planar Priors [13.825701925456768]
  PlanarGSは屋内シーンの再構築に適した3DGSベースのフレームワークである。 PlanarGSは正確で詳細な3D表面を再構築し、常に最先端の手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2025-10-27T23:32:19Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• SparSplat: Fast Multi-View Reconstruction with Generalizable 2D Gaussian Splatting [7.9061560322289335]
  スパースビュー画像から3次元形状再構成とNVSを行うために、フィードフォワード方式で2DGS表面パラメータを回帰するMVSベースの学習を提案する。 結果として得られるパイプラインは、DTU 3D再構築ベンチマークにおける最先端の成果を、最先端のNVSと同様に、チャンファーから地底までの距離で達成する。
  論文  参考訳（メタデータ） (2025-05-04T16:33:47Z)
• Sparse2DGS: Geometry-Prioritized Gaussian Splatting for Surface Reconstruction from Sparse Views [45.125032766506536]
  完全かつ正確な再構成のためのMVS-d Gaussian Splatting PipelineであるSparse2DGSを提案する。 我々の重要な洞察は、幾何学的優先順位付けされた拡張スキームを組み込むことであり、不適切な条件下での直接的かつ堅牢な幾何学的学習を可能にする。 Sparse2DGSは、NeRFベースの微調整方式よりも2倍の速さで既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-04-29T02:47:02Z)
• Optimizing 3D Gaussian Splatting for Sparse Viewpoint Scene Reconstruction [11.840097269724792]
  3D Gaussian Splatting (3DGS)は3Dシーン表現の有望なアプローチとして登場し、Neural Radiance Fields (NeRF)と比較して計算オーバーヘッドの低減を実現している。 SVS-GSは,3次元ガウス平滑化フィルタを統合して人工物を抑制する,スパースビューポイントシーン再構築のための新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-09-05T03:18:04Z)
• 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。