論文の概要: DeltaSplat: Iterative Gaussian Refinement for Pose-Free Feed-Forward 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.09853v1
• Date: Wed, 07 Oct 2026 11:11:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.871191
• Title: DeltaSplat: Iterative Gaussian Refinement for Pose-Free Feed-Forward 3D Gaussian Splatting
• Title（参考訳）: DeltaSplat: Pose-Free Feed-Forward 3D Gaussian Splattingのための反復的なガウス的リファインメント
• Abstract要約: ポスフリーフィードフォワード3DGSは、1つのネットワークパスでスパースで未提示の画像からシーンを再構築する。 本稿では,ポーズフリーフィードフォワード3DGSのための軽量ガウス改良モジュールDeltaSplatを紹介する。 DL3DVでは、DeltaSplatはポーズフリー設定で26.64dB PSNRに達し、最先端のバックボーンを1.75dB改善した。
• 参考スコア（独自算出の注目度）: 31.176097697836113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pose-free feed-forward 3D Gaussian Splatting (3DGS) reconstructs a scene from sparse, unposed images in a single network pass, removing the need for camera calibration and per-scene optimization. However, camera estimation errors propagate into the predicted Gaussians and compound the geometric and photometric inaccuracies of single-pass prediction. To correct these errors, we introduce DeltaSplat, a lightweight Gaussian refinement module for pose-free feed-forward 3DGS. It iteratively renders the current Gaussians at the input context views and predicts per-Gaussian updates from the resulting residuals. A 2D residual alone, however, underdetermines the 3D correction. DeltaSplat therefore conditions each update on per-pixel Plücker rays and rendered depth as a soft geometric prior. A dual-branch convolutional mixer efficiently encodes these inputs, and per-attribute heads decode the fused features into position, opacity, and color updates. The module adds only ~2.2% parameters to the backbone and remains fully feed-forward at inference. On DL3DV, DeltaSplat reaches 26.64 dB PSNR in the pose-free setting, improving its state-of-the-art backbone by 1.75 dB and surpassing even baselines supplied with ground-truth cameras; consistent gains hold across 6-24 views and all camera regimes.
• Abstract（参考訳）: Pose-free feed-forward 3D Gaussian Splatting (3DGS)は、1つのネットワークパスでスパースで未ポーズの画像からシーンを再構築し、カメラキャリブレーションとシーンごとの最適化の必要性を取り除く。 しかし、カメラ推定誤差は予測されたガウシアンに伝播し、幾何学的および測光的不正確な単一パス予測を合成する。 これらの誤りを修正するために,ポーズフリーフィードフォワード3DGSのための軽量ガウス改良モジュールDeltaSplatを導入する。 入力コンテキストビューで現在のガウスを反復的にレンダリングし、結果の残差からガウス毎のアップデートを予測する。 しかし、2D残差のみは3D補正を過小評価する。 そのため、DeltaSplatは1ピクセル当たりのPlücker光線と描画深度をソフトな幾何学的先行として設定する。 デュアルブランチの畳み込みミキサーはこれらの入力を効率的にエンコードし、属性ごとのヘッドは融合した特徴を位置、不透明度、色更新にデコードする。 モジュールはバックボーンに約2.2%のパラメータしか追加せず、推論時に完全にフィードフォワードされる。 DL3DVでは、DeltaSplatはポーズフリー設定で26.64dBのPSNRに達し、最先端のバックボーンを1.75dB改善し、地上トルスカメラで供給されるベースラインさえ超える。

関連論文リスト

• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• Pose-free 3D Gaussian splatting via shape-ray estimation [22.44197443080198]
  ポーズフリーでフィードフォワードのガウススプレイティングフレームワークであるSHAREを紹介する。 明示的な3D変換に頼る代わりに、SHAREはポーズ対応の標準ボリューム表現を構築する。 実世界の多様なデータセットに対する実験により,本手法が堅牢な性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-05-29T01:34:40Z)
• FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
  FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。 当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。 包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:53Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)

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。