論文の概要: Anchor3DGS: Feed-Forward 3D Gaussian Splatting with Compact Anchor-Based Representation
- arxiv url: http://arxiv.org/abs/2610.21634v1
- Date: Thu, 15 Oct 2026 10:18:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.022385
- Title: Anchor3DGS: Feed-Forward 3D Gaussian Splatting with Compact Anchor-Based Representation
- Title（参考訳）: Anchor3DGS:小型アンカーベース表現によるフィードフォワード3次元ガウス分割
- Abstract要約: Anchor3DGSはポーズフリーなフィードフォワード3DGSフレームワークで,画素アライン予測をコンパクトなアンカーベース表現に置き換える。
本手法では,3次元アンカーのセットをシーンに配置し,視覚的複雑度の高い領域に集中させる。
多様なベンチマークデータセットの実験により、我々のAnchor3DGSが最先端の新規なビュー品質合成を実現していることが示された。
- 参考スコア（独自算出の注目度）: 19.4188660617735
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent feed-forward 3D Gaussian Splatting (3DGS) methods have enabled effective multi-view 3D reconstruction by predicting Gaussian primitives in a single forward pass. However, existing approaches predominantly adopt a pixel-aligned paradigm that predicts one Gaussian per input pixel, coupling the Gaussian count to the input resolution and number of views. This also leads to redundant primitives in textureless regions and insufficient coverage in geometrically complex areas. We present Anchor3DGS, a pose-free feed-forward 3DGS framework that replaces pixel-aligned prediction with a compact anchor-based representation. Guided by information entropy, our method places a set of 3D anchors in the scene, concentrating them in regions of higher visual complexity while maintaining broad spatial coverage. Each anchor performs occlusion-aware aggregation of multi-view image features, exchanges information with other anchors, and is decoded into a set of local Gaussians. A lightweight feature enhancement module further refines the coarse RGB output from Gaussian splatting and improves rendering fidelity. Extensive experiments on diverse benchmark datasets demonstrate that our Anchor3DGS achieves state-of-the-art novel view synthesis quality while only using an order of magnitude fewer Gaussian primitives.
- Abstract（参考訳）: 最近のフィードフォワード3Dガウススプラッティング(3DGS)法は,ガウスプリミティブを1回の前方通過で予測することにより,効果的な多視点3D再構成を実現している。
しかし、既存のアプローチは、入力画素当たりのガウス数と入力解像度とビュー数とを結合して、入力画素当たりのガウス数を予測するピクセル整合パラダイムを主に採用している。
これはまた、テクスチャのない領域における冗長なプリミティブと、幾何学的に複雑な領域における不十分なカバレッジをもたらす。
Anchor3DGSはポーズフリーなフィードフォワード3DGSフレームワークで,画素アライン予測をコンパクトなアンカーベース表現に置き換える。
インフォメーションエントロピーによって導かれる手法では,シーン内に3Dアンカーのセットを配置し,空間的範囲を広く保ちながら,視覚的複雑度の高い領域に集中させる。
各アンカーは、マルチビュー画像特徴のオクルージョン対応アグリゲーションを実行し、他のアンカーと情報を交換し、ローカルなガウスアンのセットにデコードされる。
軽量機能拡張モジュールは、ガウススプラッティングから出力される粗いRGBをさらに洗練し、レンダリング精度を向上させる。
多様なベンチマークデータセットに対する大規模な実験により、我々のAnchor3DGSは、ガウスのプリミティブを桁違いに減らしながら、最先端の斬新なビュー合成品質を達成することを示した。
関連論文リスト
- Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - Compact Feed-Forward 3D Gaussians via Saliency-Guided Primitive Merging [16.91050950048738]
本稿では,任意のフィードフォワード法から画素単位のプリミティブを取り込み,それをコンパクトでコンテント適応型ガウス集合に集約する構造対応マージパイプラインを提案する。
後処理モジュールとして、パイプラインはバックボーンに依存しず、既存のフィードフォワードメソッドの長所を活用する。
論文 参考訳（メタデータ） (2026-08-11T09:32:08Z) - 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) - AnchorSplat: Feed-Forward 3D Gaussian Splatting with 3D Geometric Priors [23.943522711585597]
シーンレベルの再構築のための新しいフィードフォワード3DGSフレームワークであるAnchorSplatを提案する。
アンカーアラインのガウス表現は3次元幾何学的先行によって導かれる。
設計により、必要なガウス人の数は大幅に減少する。
論文 参考訳（メタデータ） (2026-04-08T13:04:54Z) - C3G: Learning Compact 3D Representations with 2K Gaussians [55.04010158339562]
近年の手法では3次元ガウススプラッティングを再構成に用い, シーン理解のための2D-to-3D機能昇降ステージが提案されている。
提案するC3Gは,空間的にのみコンパクトな3次元ガウスを推定する新しいフィードフォワードフレームワークである。
論文 参考訳（メタデータ） (2025-12-03T17:59:05Z) - SaLon3R: Structure-aware Long-term Generalizable 3D Reconstruction from Unposed Images [31.94503176488054]
SaLon3Rは構造対応の長期3DGS再構成のための新しいフレームワークである。
10 FPS以上で50以上のビューを再構築でき、50%から90%の冗長性除去が可能である。
提案手法は, 1回のフィードフォワードパスにおいて, アーティファクトを効果的に解決し, 冗長な3DGSを創出する。
論文 参考訳（メタデータ） (2025-10-16T18:37:10Z) - VolSplat: Rethinking Feed-Forward 3D Gaussian Splatting with Voxel-Aligned Prediction [45.95623374754385]
VolSplatは新しいマルチビューフィードフォワードパラダイムで、ピクセルアライメントとボクセルアライメントのガウスを置き換えている。
これは、画素アライメントがエラーを起こしやすい2D特徴マッチングに依存していることを克服し、堅牢なマルチビュー一貫性を確保する。
RealEstate10KやScanNetなど、広く使用されているベンチマークの実験では、VolSplatが最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-09-23T17:59:02Z) - 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) - PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。
提案手法は,様々な視点によく一般化した最先端性能を実現する。
論文 参考訳（メタデータ） (2024-10-24T17:59:58Z)
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。