論文の概要: 3D Gaussian Splatting for Fine-grained Urban Scene Reconstruction via Semantic-guided Density Control and Loss Design
- arxiv url: http://arxiv.org/abs/2610.16292v1
- Date: Mon, 12 Oct 2026 07:17:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 06:40:15.400708
- Title: 3D Gaussian Splatting for Fine-grained Urban Scene Reconstruction via Semantic-guided Density Control and Loss Design
- Title（参考訳）: セマンティック誘導密度制御と損失設計による都市景観の微粒化のための3次元ガウススメッティング
- Abstract要約: 本研究では,細粒度構造再構築のための意味誘導型3DGS法であるSG-GSを提案する。
これはSegment Anything Model(SAM)によって導かれるセマンティックセグメンテーションを制約として、ガウス密度制御と損失関数設計の両方に体系的に統合する。
3つのデータセットに対する実験により,提案手法は再現精度を常に向上することが示された。
- 参考スコア（独自算出の注目度）: 1.6404804116472664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D Gaussian Splatting (3DGS) has been becoming a promising 3D reconstruction technique because of its advantage of high-fidelity rendering effect with high efficiency. However, it still suffers from coarse density control and semantically blind loss functions when reconstructing the fine-grained structures in complex urban scenes. Thus, this study proposes SG-GS, a semantic-guided 3DGS method for fine-grained structure reconstruction. It takes the semantic segmentation deduced by the Segment Anything Model (SAM) as a constraint and systematically integrates it into both Gaussian density control and loss function design. On the one hand, a semantic-constrained adaptive density control mechanism is constructed, which dynamically allocates gradient thresholds to different semantic regions of the scene and introduces an additional boundary-enhanced densification strategy, so that new Gaussians are directed to structurally critical regions. On the other hand, a multi-feature guided loss function is designed, and fine-grained supervision signals are gradually introduced through a phased progressive training strategy, alleviating the artifacts caused by the lack of semantic constraints in the basic loss. Experiments on three datasets show that the proposed method consistently improves reconstruction accuracy. Compared with the original 3DGS, the PSNR increases by approximately 2.7% to 5.2%, while artifacts on linear structures and boundary blurring are effectively mitigated. The method can serve the fine-grained 3D reconstruction of urban scenes.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は高効率の高忠実性レンダリング効果の利点から, 有望な3D再構成技術となっている。
しかし、複雑な都市景観の微細構造を再構築する際には、いまだに粗い密度制御と意味的失明機能に悩まされている。
そこで本研究では,細粒度構造再構築のための意味誘導型3DGS法であるSG-GSを提案する。
これはSegment Anything Model(SAM)によって導かれるセマンティックセグメンテーションを制約として、ガウス密度制御と損失関数設計の両方に体系的に統合する。
一方、シーンの異なるセマンティック領域に勾配閾値を動的に割り当てるセマンティック制約適応密度制御機構を構築し、新しいガウスが構造的に重要な領域に向けられるように、追加の境界強調密度化戦略を導入する。
一方、多機能誘導損失関数を設計し、段階的な漸進的学習戦略により、微粒な監視信号を徐々に導入し、基本的損失における意味的制約の欠如による成果を緩和する。
3つのデータセットに対する実験により,提案手法は再現精度を常に向上することが示された。
オリジナルの3DGSと比較すると、PSNRは約2.7%から5.2%増加し、線形構造や境界のぼかしは効果的に緩和される。
この方法は都市景観の微細な3次元再構築に役立てることができる。
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) - 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。
その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。
既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。
本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:16:30Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - 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) - Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes [7.253732091582086]
VAD-GSは3DGSフレームワークで、挑戦的な都市景観の幾何学的復元に適したものだ。
本手法は, ボクセルに基づく可視性推論により, 信頼性の低い幾何学構造を同定する。
多様性を意識したビュー選択を通じて情報的支援ビューを選択し、パッチマッチングベースのステレオ再構築によって行方不明構造を復元する。
論文 参考訳（メタデータ） (2025-10-10T13:22:12Z) - FixingGS: Enhancing 3D Gaussian Splatting via Training-Free Score Distillation [24.04452256357554]
スパースビュー3DGS再構成強化のためのトレーニング不要なFixingGSを提案する。
FixingGSの核心は蒸留法であり、より正確かつ相互にコヒーレントな拡散を先導する。
さらに,非拘束領域における再構成をさらに洗練する適応的漸進的拡張手法を提案する。
論文 参考訳（メタデータ） (2025-09-23T07:53:46Z) - Gradient-Direction-Aware Density Control for 3D Gaussian Splatting [7.234328187876289]
3D Gaussian Splatting (3DGS) は、明示的なシーン表現による新規なビュー合成が著しく進歩している。
既存のアプローチは、複雑なシナリオで2つの重要な制限を示す。
本稿では勾配方向対応型適応密度制御フレームワークGDAGSを提案する。
論文 参考訳（メタデータ） (2025-08-12T13:12:54Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - 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) - T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。
我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
論文 参考訳（メタデータ） (2024-11-29T07:45:24Z)
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。