論文の概要: MaRO-GS: Mask-Robust Object-Centric Gaussian Splatting from Inconsistent Multi-view Masks

• arxiv url: http://arxiv.org/abs/2610.06472v1
• Date: Mon, 05 Oct 2026 15:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:08:52.887822
• Title: MaRO-GS: Mask-Robust Object-Centric Gaussian Splatting from Inconsistent Multi-view Masks
• Title（参考訳）: MaRO-GS: マルチビューマスクからのマスク・ロバスト物体中心ガウス散乱
• Abstract要約: MaRO-GSは3DGSフレームワークで、ターゲットオブジェクトのガウシアンを直接オブジェクトにマッピングしたマルチビューイメージから最適化する。 MaRO-GSはPSNR, セグメンテーション精度, 計算効率を向上し, LERF-Maskデータセット上で最大のPSNRゲイン2.05dBを示した。
• 参考スコア（独自算出の注目度）: 10.06935481648566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the challenge of accurate 3D object reconstruction from multi-view images in Gaussian Splatting. Existing object-level 3DGS methods reconstruct the entire scene rather than directly optimizing the target object, even when only the target object is needed, which incurs substantial computational overhead. They also rely on 2D segmentation masks to associate Gaussians with objects, but these masks are often inconsistent across views. Such inconsistencies corrupt Gaussian optimization and produce incorrectly supervised Gaussians that degrade object reconstruction fidelity. To overcome these limitations, we propose MaRO-GS, a 3DGS framework that directly optimizes target-object Gaussians from object-masked multi-view images and remains robust to inconsistent supervision. For reliable supervision, mask-reliability view filtering excludes unreliable views. Object-supported Gaussian density control suppresses Gaussians irrelevant to the target object and prevents background densification, while Silhouette-aligned Object Loss maintains object-focused optimization. Extensive experiments across diverse datasets demonstrate that MaRO-GS improves PSNR, segmentation accuracy, and computational efficiency, with the largest PSNR gain of 2.05 dB on the small-object LERF-Mask dataset.
• Abstract（参考訳）: ガウススプラッティングにおける多視点画像からの正確な3次元オブジェクト再構成の課題に対処する。 既存のオブジェクトレベルの3DGSメソッドは、ターゲットオブジェクトのみが必要な場合でも、ターゲットオブジェクトを直接最適化するのではなく、シーン全体を再構築する。 彼らはまた、ガウスと物体を関連付けるために2Dセグメンテーションマスクにも頼っているが、これらのマスクは視界に不整合であることが多い。 このような矛盾はガウスの最適化を損なうとともに、オブジェクト再構成の忠実さを低下させる不正に監督されたガウスを生産する。 これらの制約を克服するために,オブジェクト指向多視点画像からターゲットオブジェクトガウスを直接最適化する3DGSフレームワークであるMaRO-GSを提案する。 信頼性の高い監視のために、マスク-信頼性ビューフィルタリングは信頼性の低いビューを除外する。 物体支持型ガウス密度制御は対象物に無関係なガウスを抑え、背景の密度化を防止し、シルエット対応のオブジェクトロスはオブジェクト中心の最適化を維持する。 多様なデータセットにわたる大規模な実験により、MaRO-GSはPSNR、セグメンテーション精度、計算効率を改善し、小対象のLERF-Maskデータセット上で最大のPSNRゲイン2.05dBを示した。

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)
• RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。 いくつかの重要な設計に基づく堅牢なソリューションであるRobustSplat++を提案する。
  論文  参考訳（メタデータ） (2025-12-04T14:05:09Z)
• TRAN-D: 2D Gaussian Splatting-based Sparse-view Transparent Object Depth Reconstruction via Physics Simulation for Scene Update [11.563662673205085]
  TRAN-Dは透明物体に対する新しい2次元ガウス平板を用いた深度再構成法である。 我々は、ガウス人を不明瞭な地域に配置するオブジェクト認識損失でアーティファクトを緩和する。 物理に基づくシミュレーションを組み込んで、わずか数秒で復元を洗練します。
  論文  参考訳（メタデータ） (2025-07-15T08:02:37Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• TSGaussian: Semantic and Depth-Guided Target-Specific Gaussian Splatting from Sparse Views [18.050257821756148]
  TSGaussianは、新しいビュー合成タスクにおける幾何学的劣化を避けるために、意味的制約と深さ事前の制約を組み合わせる新しいフレームワークである。 提案手法は,バックグラウンドアロケーションを最小化しながら,指定された目標に対する計算資源の優先順位付けを行う。 大規模な実験により、TSGaussianは3つの標準データセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-13T11:26:38Z)
• Dynamic Gaussian Marbles for Novel View Synthesis of Casual Monocular Videos [58.22272760132996]
  既存の4次元ガウス法は単分子配置が制約されていないため、この設定で劇的に失敗することを示す。 単分子配置の難易度を目標とした3つのコア修正からなる動的ガウス大理石を提案する。 Nvidia Dynamic ScenesデータセットとDyCheck iPhoneデータセットを評価し,Gaussian Marblesが他のGaussianベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-26T19:37:07Z)
• MonoMAE: Enhancing Monocular 3D Detection through Depth-Aware Masked Autoencoders [93.87585467898252]
  Masked Autoencodersにインスパイアされたモノクラー3D検出器MonoMAEを設計する。 MonoMAEは2つの新しい設計で構成されている。第一に、非閉塞オブジェクトクエリの特定の部分を選択的にマスキングするディープ・アウェア・マスクである。 2つ目は軽量なクエリ補完で、ディープ・アウェア・マスキングと連携して、マスキングされたオブジェクトクエリの再構築と完了を学習する。
  論文  参考訳（メタデータ） (2024-05-13T12:32:45Z)

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。