論文の概要: LonGaussian: Tracking Foundation Priors for Long-Context Feedforward Gaussian Reconstruction
- arxiv url: http://arxiv.org/abs/2610.23250v1
- Date: Fri, 16 Oct 2026 10:24:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.872929
- Title: LonGaussian: Tracking Foundation Priors for Long-Context Feedforward Gaussian Reconstruction
- Title（参考訳）: LonGaussian: 長期フィードフォワードガウシアン再構築に先立つ追跡財団
- Abstract要約: LonGaussianは、コンパクトでグローバルにレンダリング可能なガウスシーンを長い画像シーケンスから再構築するストリーミングフィードフォワードフレームワークである。
トレーニング済みのストリーミング3D再構築バックボーン上に構築されたLonGaussianは、長文の幾何学的特徴を密度の高いガウスにデコードする。
DL3DVとRealEstate10Kベンチマークでは、LonGaussianはガウシアンをはるかに少なく使用しながら、新しいビューのレンダリング品質を改善している。
- 参考スコア（独自算出の注目度）: 43.96099438409394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing high-quality, renderable 3D scenes from long videos is essential for robotic perception and embodied intelligence. Many feed-forward Gaussian reconstruction methods rapidly predict 3D scenes from a small set of images, but extending them to longer sequences presents two bottlenecks: jointly processing all views increases GPU memory requirements, while accumulating pixel-aligned predictions redundantly represents the same surfaces and increases storage and rendering costs. We present LonGaussian, a streaming feed-forward framework that reconstructs compact, globally renderable Gaussian scenes from long image sequences with known intrinsics and unknown camera poses. Built on a pretrained streaming 3D reconstruction backbone, LonGaussian decodes long-context geometric features into dense Gaussians. Within each chunk, multi-frame point tracks link repeated observations of the same surface and guide a learned merger to consolidate the corresponding Gaussian predictions. Rendered-depth consistency filtering further suppresses Gaussians from other chunks that incorrectly occlude locally reconstructed surfaces. On DL3DV and RealEstate10K benchmarks, LonGaussian improves novel-view rendering quality while using substantially fewer Gaussians than the evaluated feed-forward baselines.
- Abstract（参考訳）: 長いビデオから高品質でレンダリング可能な3Dシーンを再構築することは、ロボットの知覚とインテリジェンスに不可欠だ。
多くのフィードフォワードガウス再構成手法は、小さな画像集合から3Dシーンを迅速に予測するが、より長いシーケンスに拡張することで、2つのボトルネックが生じる。
我々はLonGaussianについて紹介する。LonGaussianは、コンパクトで、グローバルにレンダリング可能なガウスのシーンを、未知のカメラのポーズで、長い画像シーケンスから再構成する。
トレーニング済みのストリーミング3D再構築バックボーン上に構築されたLonGaussianは、長文の幾何学的特徴を密度の高いガウスにデコードする。
各チャンク内では、複数フレームのトラックが同じ表面の繰り返し観測をリンクし、学習した合併を誘導し、対応するガウス予想を統合する。
Rendered-Depth consistency filteringは、局所的に再構成された表面を誤って閉塞する他のチャンクからガウスをさらに抑制する。
DL3DVとRealEstate10Kベンチマークでは、LonGaussianは、評価されたフィードフォワードベースラインよりもはるかに少ないガウスを使用して、新規ビューのレンダリング品質を改善している。
関連論文リスト
- 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) - 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) - NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。
我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文 参考訳（メタデータ） (2024-11-25T07:57:17Z) - 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) - PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。
また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
論文 参考訳（メタデータ） (2024-06-14T17:53:55Z)
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。