論文の概要: Rethinking Sparse-View 3D Gaussian Splatting: A Few-Shot Learning Perspective on Overfitting Prevention

• arxiv url: http://arxiv.org/abs/2610.25887v1
• Date: Mon, 19 Oct 2026 06:44:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:44:10.437534
• Title: Rethinking Sparse-View 3D Gaussian Splatting: A Few-Shot Learning Perspective on Overfitting Prevention
• Title（参考訳）: Sparse-View 3D Gaussian Splattingを再考する: オーバーフィッティング予防に関するわずかながらの学習的視点
• Abstract要約: 数ショットの学習視点からスパースビュー3DGSを再構成する新たな視点を導入する。 この統合された枠組みの下では、我々のアプローチは少ない観測からより効果的な監視を生み出す。 我々のシステムはSIGGRAPH Asia 2025のスパーストラックで優勝した。
• 参考スコア（独自算出の注目度）: 6.182097911403651
• License:
• Abstract: Sparse-view novel view synthesis (NVS) is essential for AR/VR and real-time communication applications, yet remains challenging when reconstructing 3D scenes from limited viewpoints. While 3D Gaussian Splatting (3DGS) excels in dense-view scenarios, it suffers from overfitting and geometry degradation under sparse inputs. Current approaches often tackle these problems from a local perspective, addressing either data quality or training regularization individually, lacking a unified and interpretable framework for systematic improvement. We introduce a new perspective that reframes sparse-view 3DGS from a few-shot learning viewpoint, treating each Gaussian primitive as a neuron and leveraging deep learning regularization techniques. Under this unified framework, our approach generates more effective supervision from scarce observations through two strategies: (1) data-related supervision enrichment via optical flow-guided pseudo-view synthesis and joint camera-scene optimization; and (2) training-time regularization via motion-aware dropout and early stopping, which suppress overfitting while preserving dynamic-scene stability. Extensive experiments on the SIGGRAPH Asia 2025 volumetric video challenge sparse-view dataset demonstrate significant improvements over state-of-the-art optimization-based and feed-forward baselines. Our system won first place in the sparse-view track of the SIGGRAPH Asia 2025 challenge.
• Abstract（参考訳）: Sparse-view novel view synthesis (NVS) は、AR/VRおよびリアルタイム通信アプリケーションには不可欠であるが、限られた視点から3Dシーンを再構成する際には困難である。 3D Gaussian Splatting (3DGS) は高密度ビューのシナリオでは優れているが、スパース入力下での過度な適合や幾何劣化に悩まされている。 現在のアプローチでは、ローカルの観点からこれらの問題に対処し、データ品質や正規化のトレーニングに個別に対処し、体系的な改善のための統一的で解釈可能なフレームワークを欠いていることが多い。 我々は,スパースビュー3DGSを数ショットの学習視点から再構成し,各ガウス原始体をニューロンとして扱い,深層学習正規化技術を活用する新しい視点を導入する。 この統合された枠組みの下では,(1)光フロー誘導型擬似視点合成によるデータ関連監視強化と,(2)動作認識のドロップアウトと早期停止によるトレーニング時間正規化により,動的シーン安定性を維持しながら過度な調整を抑えるという2つの戦略により,少ない観察からより効果的な監視を行う。 SIGGRAPH Asia 2025 Volumetric Video Challenge スパースビューデータセットの大規模な実験は、最先端の最適化ベースとフィードフォワードベースラインを大幅に改善したことを示している。 我々のシステムはSIGGRAPH Asia 2025のスパーストラックで優勝した。

関連論文リスト

• Improving Sparse-View 3DGS Generalization via Flat Minima Optimization [37.65568887478836]
  ニューラルレンダリングの最近の進歩は、新しいビュー合成のための高効率な表現として、3Dガウススティング(3DGS)を確立している。 しかし、3DGSは, 少ない視点でのみ監督を行う場合, 観察された画像に過度に適合し, 見えない視点に過度に一般化する傾向にある。 我々は,小パラメータ摂動下で安定な解を求めるフラット・ミニマ (FM) 最適化の観点から,この問題に対処する。
  論文  参考訳（メタデータ） (2026-07-01T12:52:57Z)
• VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
  VidSplatは、トレーニング不要な生成的再構築フレームワークである。 生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。 広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
  論文  参考訳（メタデータ） (2026-05-12T02:20:31Z)
• Efficient Camera Pose Augmentation for View Generalization in Robotic Policy Learning [42.18646270150553]
  GenSplatはフィードフォワード型3Dガウス型スプレイティングフレームワークで、ビュー一般化政策学習を容易にする。 これらの安定な3次元表現から多様な合成ビューを描画することにより、トレーニング中に観察多様体を体系的に増強する。
  論文  参考訳（メタデータ） (2026-03-31T02:56:10Z)
• Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video [76.32954467706581]
  本稿では,生のビデオストリームからGEometric foundationモデルのスケーラブル適応を行うフレームワークであるSAGEを提案する。 階層的なマイニングパイプラインを使用して、ビデオをトレーニングトラジェクトリやハイブリッド監視に変換します。 実験の結果、SAGEはゼロショットの一般化を著しく向上し、チェムファー距離を20-42%削減した。
  論文  参考訳（メタデータ） (2026-02-08T09:53:21Z)
• Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting [21.952325954391508]
  本稿では、3DGSベースのフレームワークであるGesplatを紹介し、ロバストな新しいビュー合成と、未提示のスパース画像からの幾何的に一貫した再構成を可能にする。 提案手法は,他のポーズフリー手法と比較して,前方および大規模の複雑なデータセット上でより堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2025-10-11T08:13:46Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• 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)

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。