論文の概要: NovaSplat: Model-Free 6D Object Pose Estimation via 3D Gaussian Splatting Onboarding and Refinement

• arxiv url: http://arxiv.org/abs/2610.13309v1
• Date: Fri, 09 Oct 2026 09:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.513338
• Title: NovaSplat: Model-Free 6D Object Pose Estimation via 3D Gaussian Splatting Onboarding and Refinement
• Title（参考訳）: NovaSplat: 3次元ガウスプラッティングによるモデルフリー6次元オブジェクトポス推定
• Abstract要約: CADモデルのない新しいオブジェクトの6次元ポーズ推定は、依然としてオープンな課題である。 このギャップを埋めるモデルフリーパイプラインであるNovaSplatを紹介します。
• 参考スコア（独自算出の注目度）: 0.8633013637160062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 6D pose estimation of novel objects without CAD models remains an open challenge: model-free methods must build the object representation from scratch during onboarding and have long trailed their model-based counterparts. We present NovaSplat, a model-free pipeline that closes this gap. From a short smartphone video captured at onboarding, we train a 3D Gaussian Splatting (3DGS) model that serves both as a template source for detection and coarse pose estimation and as a differentiable backbone for pose refinement. Our refiner optimizes the object-to-camera pose with combined photometric and geometric losses under a continuous rotation parametrization free of gradient singularities. On a household-object benchmark, NovaSplat surpasses all model-based methods. On a challenging industrial benchmark with textureless and specular surfaces, it outperforms all model-free competitors while substantially narrowing the gap to model-based ones. We further introduce NovaSplat-Lite, an inference variant that is $3.1\times$ faster at negligible accuracy cost. Code will be made available at \href{https://github.com/POSE-Lab/novasplat}{https://github.com/POSE-Lab/novasplat}.
• Abstract（参考訳）: モデルフリーなメソッドは、オンボーディング中にスクラッチからオブジェクト表現を構築しなければなりません。 このギャップを埋めるモデルフリーパイプラインであるNovaSplatを紹介します。 搭載時に撮影した短いスマートフォンビデオから、3Dガウス・スプレイティング(3DGS)モデルをトレーニングし、検出と粗いポーズ推定のためのテンプレートソースと、ポーズリファインメントのための異なるバックボーンとして機能する。 我々の精錬機は、勾配特異点のない連続的な回転パラメトリゼーションの下で、測光と幾何損失を組み合わせたオブジェクト・カメラのポーズを最適化する。 家庭用オブジェクトのベンチマークでは、NovaSplatはすべてのモデルベースのメソッドを上回ります。 テクスチャレスで特異な表面を持つ挑戦的な産業ベンチマークでは、モデルベースとのギャップを著しく狭めながら、すべてのモデルフリーの競合より優れています。 NovaSplat-Liteは3.1\times$が無視できる精度で高速な推論変種である。 コードは \href{https://github.com/POSE-Lab/novasplat}{https://github.com/POSE-Lab/novasplat} で公開される。

関連論文リスト

• SkelSplat: Robust Multi-view 3D Human Pose Estimation with Differentiable Gaussian Rendering [6.706168135661958]
  最先端のマルチビュー手法は、大きな注釈付きデータセットをトレーニングすることで、ビューをまたいだ予測を融合させる。 SkelSplatは,ガウスレンダリングに基づく多視点人間のポーズ推定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） (2025-11-11T14:28:43Z)
• YoNoSplat: You Only Need One Model for Feedforward 3D Gaussian Splatting [79.38712054342625]
  YoNoSplatは、任意の数の画像から高品質な3次元ガウス格子表現を再構成するフィードフォワードモデルである。 我々のモデルは非常に多用途で、ポーズとアンポーズの両方で効果的に動作し、校正され、校正されていない入力を処理します。 ポーズフリーとポーズ依存の両方の設定で、標準ベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-11-10T17:21:54Z)
• No Pose at All: Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views [17.221166075016257]
  SPFSplatはスパース多視点画像から3次元ガウススプラッティングを行うための効率的なフレームワークである。 共有機能抽出バックボーンを使用し、3Dガウスプリミティブとカメラポーズの同時予測を可能にする。 視点の大幅な変化や画像重なりの制限の下でも、新しいビュー合成における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-08-02T03:19:13Z)
• AnySplat: Feed-forward 3D Gaussian Splatting from Unconstrained Views [68.94737256959661]
  AnySplatは、未校正画像コレクションから新しいビューを合成するためのフィードフォワードネットワークである。 単一のフォワードパスは、シーン幾何学と外観の両方をコードする3Dガウスプリミティブのセットを生成する。 広範囲なゼロショット評価では、AnySplatはスパースと高密度の両方のビューシナリオにおいて、ポーズを意識するベースラインの品質にマッチする。
  論文  参考訳（メタデータ） (2025-05-29T17:49:56Z)
• Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis [55.561961365113554]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)において顕著な効果を示した 本稿では,Self-Ensembling Gaussian Splatting(SE-GS)を紹介する。 我々は,トレーニング中に不確実性を認識した摂動戦略を導入することで,自己理解を実現する。 LLFF, Mip-NeRF360, DTU, MVImgNetデータセットによる実験結果から, 本手法がNVSの品質を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-31T18:43:48Z)
• GigaPose: Fast and Robust Novel Object Pose Estimation via One Correspondence [64.77224422330737]
  GigaPoseは、RGB画像におけるCADベースの新しいオブジェクトポーズ推定のための高速で堅牢で正確な方法である。 提案手法では,通常の3次元ではなく,2自由度空間でテンプレートをサンプリングする。 最先端の精度を実現し、既存の精錬手法とシームレスに統合することができる。
  論文  参考訳（メタデータ） (2023-11-23T18:55:03Z)

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。