論文の概要: CompactSplat: Spatially Adaptive Gaussian Distribution for Feedforward Scene Reconstruction
- arxiv url: http://arxiv.org/abs/2610.13177v1
- Date: Fri, 09 Oct 2026 08:04:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.464438
- Title: CompactSplat: Spatially Adaptive Gaussian Distribution for Feedforward Scene Reconstruction
- Title（参考訳）: CompactSplat:フィードフォワードシーン再構成のための空間適応型ガウス分布
- Abstract要約: CompactSplatは、3Dガウスのコンテンツアロケーションを可能にする新しいフィードフォワードフレームワークである。
テクスチャ誘導型空間分割と階層的サンプリングを統合することで、CompactSplatはプリミティブを適応的に分散する。
我々のフレームワークは本質的に、推論時の動的空間制御をサポートし、レンダリングの忠実度とメモリフットプリントのシームレスなトレードオフを可能にする。
- 参考スコア（独自算出の注目度）: 29.97670947831028
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reconstructing 3D scenes from sparse views without per-scene optimization remains highly challenging, especially for recovering accurate geometry and fine textures. While recent feedforward approaches leverage generalizable 3D Gaussian Splatting (3DGS) for scene generation, they typically assign one or multiple Gaussians to each pixel. Such uniform allocation not only produces highly redundant representations by wasting primitives in homogeneous areas, but also fails to exploit the inherent geometric priors of planar surfaces, often resulting in sub-optimal structural modeling. To address these limitations, we present CompactSplat, a novel feedforward framework that enables a content-aware allocation of 3D Gaussians. By integrating texture-guided spatial partitioning with hierarchical sampling, CompactSplat adaptively distributes primitives - concentrating dense Gaussians in complex regions while tiling flat areas with expanded, scale-modulated primitives. Moreover, our framework inherently supports dynamic sparsity control at inference time, enabling seamless trade-offs between rendering fidelity and memory footprint without requiring network retraining. Extensive experiments on RealEstate10K, DL3DV, and ScanNet demonstrate that CompactSplat consistently outperforms prior methods on both standard metrics and high-resolution rendering consistency, achieving high-fidelity reconstructions with significantly fewer primitives.
- Abstract（参考訳）: シーンごとの最適化を伴わないスパースビューから3Dシーンを再構成することは、特に正確な幾何学や微妙なテクスチャを復元する上で、非常に困難である。
最近のフィードフォワードアプローチでは、シーン生成に一般化可能な3Dガウススプラッティング(3DGS)を利用するが、通常、各ピクセルに1つまたは複数のガウスを割り当てる。
このような一様割当は、均質な領域で原始元を無駄にすることで非常に冗長な表現を生成するだけでなく、平面曲面の固有の幾何学的先行元を利用することができず、しばしば準最適構造モデリングをもたらす。
これらの制約に対処するために,3次元ガウスアンをコンテンツ対応でアロケーションできる新しいフィードフォワードフレームワークであるCompactSplatを提案する。
テクスチャ誘導空間分割と階層的サンプリングを統合することで、CompactSplatは、拡張されたスケール変調プリミティブで平坦な領域をタイリングしながら、複雑な領域で密度の高いガウスを集中するプリミティブを適応的に配布する。
さらに、本フレームワークは本質的に、推論時の動的空間制御をサポートし、ネットワーク再トレーニングを必要とせずに、レンダリング忠実度とメモリフットプリント間のシームレスなトレードオフを可能にする。
RealEstate10K、DL3DV、ScanNetの大規模な実験では、CompactSplatは標準メトリクスと高解像度のレンダリング一貫性の両方において、従来手法よりも一貫して優れており、プリミティブが大幅に少ない高忠実度再構成を実現している。
関連論文リスト
- Incremental Online Scene Reconstruction by 3D Gaussian Triangulation [22.398131643187384]
本稿では,高忠実度メッシュを漸進的に再構築し,更新する新しいオンラインフレームワークを提案する。
また、ガウス集合からメッシュを効率的に抽出し、更新する直接メッシュアルゴリズムを提案する。
我々のフレームワークは、長時間の処理においてメモリと計算オーバーヘッドを大幅に削減する。
論文 参考訳（メタデータ） (2026-07-12T10:22:18Z) - SplatWeaver: Learning to Allocate Gaussian Primitives for Generalizable Novel View Synthesis [60.075770066276505]
一般化可能な新しいビュー合成は、シーンごとの最適化を必要とせずに、未分類の入力画像から見えないビューを描画することを目的としている。
3次元ガウススプラッティングに基づく最近のフィードフォワードアプローチは、有望な効率とレンダリング品質を実現している。
SplatWeaverは、フィードフォワード方式で異なるリージョンにガウスプリミティブを動的に割り当てることができる。
論文 参考訳（メタデータ） (2026-05-08T05:51:34Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives [14.295266671241004]
3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングをフォトリアリスティックな品質で実現した。
3DGSは高い忠実性を達成するために多くのプリミティブを必要とすることが多い。
そこで我々は, 刈り取りタイミングと精錬間隔を決定する, 効率的で統合された組立型刈り取り戦略を提案する。
また,1つのプリミティブにおいて正と負の両密度を共同でモデル化する3次元ガウス差分プリミティブも導入する。
論文 参考訳（メタデータ） (2026-02-27T16:12:58Z) - Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。
従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。
我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文 参考訳（メタデータ） (2026-01-05T18:33:50Z) - COSMOS: Coherent Supergaussian Modeling with Spatial Priors for Sparse-View 3D Splatting [2.549594916296063]
3D Gaussian Splatting(3DGS)は,最近3D再構築の有望なアプローチとして登場した。
この問題に対処するために,Coherent Supergaussian Modeling with Spatial Priors (COSMOS)を提案する。
Blender と DTU に関する実験により,COSMOS は外部深度監視を伴わないスパースビュー設定において最先端の手法を超越していることが示された。
論文 参考訳（メタデータ） (2025-12-17T04:55:15Z) - 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) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z) - CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。
我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。
実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
論文 参考訳（メタデータ） (2024-04-15T04:50:39Z)
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。