論文の概要: Frame-Consistent Feed-Forward 3D Gaussian Splatting from Sparse Unposed Images
- arxiv url: http://arxiv.org/abs/2610.23039v1
- Date: Fri, 16 Oct 2026 07:15:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.802793
- Title: Frame-Consistent Feed-Forward 3D Gaussian Splatting from Sparse Unposed Images
- Title（参考訳）: スパースアンポーズ画像からのフレーム一貫性フィードフォワード3次元ガウス散乱
- Abstract要約: フィードフォワードガウスビュー合成における2段階のアプローチを提案する。
その結果、アライメント後の回転誤差は小さく、翻訳スケールは大きなデータセット一貫性因子によってオフセットされることがわかった。
これらの修正により、凍ったTokenGSを駆動する冷凍VGGTは、COLMAP参照の0.51dB以内で22.47PSNRを達成した。
- 参考スコア（独自算出の注目度）: 0.9453554184019107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feed-forward Gaussian models have made novel view synthesis almost instantaneous. Feed-forward methods predict Gaussians directly, either in two stages or in a single merged pass. Using two separately trained models is attractive because each can specialize in its own objective: one for accurate pose estimation and the other for high-quality reconstruction, rather than forcing a single jointly trained network to compromise between the two. A natural instantiation pairs a frozen pose estimator, VGGT, with a frozen reconstruction backbone, TokenGS. Prior work, such as VGGT-X and 3R-GS, also adopts a two-stage design, but attributes the resulting quality degradation to noisy pose estimates and introduces learned refinement. We show that this is not the primary source of the problem. Through per-camera analysis across 107 scenes from two datasets, DL3DV and MipNeRF360, using COLMAP poses as the reference, we find that the rotation error after alignment is small (median 1.6 degrees), whereas the translation scale is offset by a large, dataset-consistent factor. Controlled ablations over 140 DL3DV scenes show that the primary obstacles are two integration failures rather than pose error: a coordinate-frame inconsistency and a translation-scale mismatch, both of which can be corrected deterministically. With these fixes, a frozen VGGT driving a frozen TokenGS achieves 22.47 PSNR, within 0.51 dB of the COLMAP reference, with no additional training, when poses are estimated from all scene views. In the sparse setting, where reconstruction uses only four context images under the standard pose-free protocol, the same pipeline matches this all-view quality, yielding a fully COLMAP-free pipeline without any refinement step.
- Abstract（参考訳）: フィードフォワードガウスモデルは、ほぼ瞬時に新しいビュー合成を生み出した。
フィードフォワード法は、2段階または1つのマージパスでガウスを直接予測する。
ひとつは正確なポーズ推定のためのもので、もうひとつは高品質な再構築のためのものです。
自然のインスタンス化は、凍結したポーズ推定器VGGTと、凍結した再構築バックボーンTokenGSとをペアリングする。
VGGT-Xや3R-GSといった以前の研究でも2段階の設計が採用されていたが、結果として生じる品質劣化はノイズに反応し、学習された洗練をもたらす。
我々は、これが問題の根本原因ではないことを示した。
DL3DVとMipNeRF360という2つのデータセットからの107シーンにわたるカメラ間解析により、COLMAPのポーズを基準として、アライメント後の回転誤差が小さい(中度1.6度)のに対し、翻訳スケールは大きなデータセット一貫性因子によってオフセットされることがわかった。
140 DL3DVのシーンで制御された改善により、主な障害は2つの統合障害(座標フレームの不整合と翻訳スケールのミスマッチ)であり、どちらも決定論的に修正可能である。
これらの修正により、凍結されたTokenGSを駆動する冷凍VGGTは、COLMAP参照の0.51dB以内で22.47 PSNRを達成する。
標準的なポーズフリープロトコルの下で4つのコンテキストイメージしか使用しないスパース設定では、同じパイプラインがこの全ビュー品質にマッチし、完全なCOLMAPフリーパイプラインを改善ステップなしで生成する。
関連論文リスト
- DeltaSplat: Iterative Gaussian Refinement for Pose-Free Feed-Forward 3D Gaussian Splatting [31.176097697836113]
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。
論文 参考訳（メタデータ） (2026-10-07T11:11:22Z) - Does the VGGT Family Need All Its Layers? [55.81487806596663]
VGGT,3ドル,VGGT-$:3,018プルーニング構成における層冗長性について検討した。
取り外し可能な層が2つの冗長領域に集結しているのに対して、層間をまたがる削除は、常に破壊的である。
CKAは、間隔分解のためのより安価な表現ベースのプロキシを提供し、プルーニング品質とキャリブレーションコストのトレードオフを提供する。
論文 参考訳（メタデータ） (2026-09-29T06:52:07Z) - Back to the Feature: Zero-Shot 6DoF Pose Estimation via Dense Local Features [0.0]
RGB画像から見えない物体の6DoFポーズ推定のための訓練不要ゼロショット法であるB2oseを提案する。
B2oseは、タスク固有の微調整なしで、合成と現実のドメインギャップをまたいで一般化する、密集したパッチレベルの特徴を抽出する。
BOPベンチマークの7つのコアデータセットでは、B2oseは改善のない40.7の平均ARと56.4の洗練を実現している。
論文 参考訳（メタデータ） (2026-09-06T16:57:27Z) - FlexSplat: Flexible Feed-Forward 3D Gaussian Splatting without Point Cloud Correspondence [9.30167648098673]
我々は、新しいビュー合成(NVS)のためのフィードフォワードフレームワークであるFlexSplatを紹介した。
幾何学変換器はガウスデコーダと共同で訓練され、画像当たりのカメラパラメータと深さを予測する。
ShapeNet-SRN と Google Scanned Objects (GSO) では、FlexSplat のマッチングやアプローチが最先端のコンストラクタとして提案されている。
論文 参考訳（メタデータ） (2026-08-08T05:52:26Z) - Two-View Accumulation as the Primary Training Lever for Hybrid-Capture Gaussian Splatting: A Variance-Decomposition View of When Gradient Surgery Helps [7.6889618752994595]
ハイブリッドキャプチャーノベルビュー合成は、かなり異なるカメラビューを組み合わせる。
標準3DGSは、ステップ毎に1つのレンダリングビューで30Kイテレーションでトレーニングされている。
本稿では,この発見を予測・説明する分散分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T17:45:51Z) - 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) - Zero-shot Inexact CAD Model Alignment from a Single Image [53.37898107159792]
1つの画像から3Dシーン構造を推測する実践的なアプローチは、データベースから密に一致する3Dモデルを検索し、画像内のオブジェクトと整列させることである。
既存のメソッドは、イメージによる教師付きトレーニングとアノテーションのポーズに依存しており、オブジェクトカテゴリの狭いセットに制限されている。
ポーズアノテーションを必要とせず、未知のカテゴリに一般化する不正確な3次元モデルの弱い教師付き9-DoFアライメント法を提案する。
論文 参考訳（メタデータ） (2025-07-04T04:46:59Z) - 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) - No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。
提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。
この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:22Z) - Towards Human-Level 3D Relative Pose Estimation: Generalizable, Training-Free, with Single Reference [65.42565481489132]
人間は、単一のクエリ参照イメージペアのみを前提として、ラベル付けやトレーニングをすることなく、これまで見られなかったオブジェクトの相対的なポーズを容易に推論することができる。
RGB-D参照から3D/2.5D形状認識と2.5D形状認識を併用した新しい3次元一般化可能な相対ポーズ推定法を提案する。
RGBとセマンティックマップ(DINOv2がRGB入力から取得)によってテクスチャ化された2.5Dの回転可能なメッシュを識別し、新しいRGBとセマンティックマップを新しい回転ビューの下でレンダリングする。
論文 参考訳（メタデータ） (2024-06-26T16:01:10Z)
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。