論文の概要: Complexity-guided Regularization for Generalizable Human Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2610.35152v1
- Date: Mon, 26 Oct 2026 10:18:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.826264
- Title: Complexity-guided Regularization for Generalizable Human Gaussian Splatting
- Title（参考訳）: 一般化可能なヒトガウススプラッティングのための複雑誘導正規化法
- Abstract要約: 一般化可能なヒトガウススプラッティングのための複雑性誘導正規化手法を提案する。
鍵となる考え方は、人間の幾何学的およびテクスチャ的特性において局所エントロピーを通して計算される複雑性を活用することである。
ベンチマークによる実験結果から,本手法が最先端性能を実現することを示す。
- 参考スコア（独自算出の注目度）: 12.894189171424701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies on generalizable human Gaussian splatting have achieved the notable progress in synthesizing novel views of unseen human subjects from multi-view images. Despite this progress, existing methods still struggle to represent fine-grained details of human subjects, which inherently involve high geometric and textural complexity. This is because previous methods do not impose a constraint on how densely Gaussians are placed, which often leads to blurry rendering results in complex regions. To address this problem, we propose a complexity-guided regularization scheme. The key idea is to leverage a complexity prior computed via the local entropy in geometric and textural characteristics of a clothed human. This effectively prevents Gaussians from being coarsely placed in complex regions, which facilitates the faithful reconstruction of intricate structures. Furthermore, we sample local patches predominantly from complex regions according to this complexity prior, which allows the model to be sufficiently supervised by local details. Experimental results on benchmark datasets demonstrate that our method delivers state-of-the-art performance while maintaining the real-time inference speed in generalizable human Gaussian splatting. The code and model are publicly available at https://github.com/DCVL-3D/CGR-GS_release.
- Abstract（参考訳）: 一般化可能なヒトガウススプラッティングに関する最近の研究は、多視点画像から見えない人間の新しい視点を合成する際、顕著な進歩を遂げている。
この進歩にもかかわらず、既存の手法は、本質的には幾何学的・テクスチャ的な複雑さを含む、人間の被写体の詳細な詳細を表現するのに苦慮している。
これは、従来の手法がガウスがどれだけ密度が高いかの制約を課さないためであり、しばしば複雑な領域におけるぼやけたレンダリング結果をもたらす。
この問題に対処するため,複雑性誘導型正規化方式を提案する。
鍵となる考え方は、人間の幾何学的およびテクスチャ的特性において局所エントロピーを通して計算される複雑性を活用することである。
このことは、ガウス人が複雑な地域に粗く配置されることを効果的に防ぎ、複雑な構造の忠実な再構築を促進する。
さらに, この複雑化にともなう複雑な領域から局所パッチを主にサンプリングし, 局所的な詳細によってモデルが十分に制御されるようにした。
ベンチマークによる実験結果から,本手法はヒトガウススプラッティングにおけるリアルタイム推論速度を維持しつつ,最先端性能を実現することを示す。
コードとモデルはhttps://github.com/DCVL-3D/CGR-GS_releaseで公開されている。
関連論文リスト
- SplatWeaver: Learning to Allocate Gaussian Primitives for Generalizable Novel View Synthesis [60.075770066276505]
一般化可能な新しいビュー合成は、シーンごとの最適化を必要とせずに、未分類の入力画像から見えないビューを描画することを目的としている。
3次元ガウススプラッティングに基づく最近のフィードフォワードアプローチは、有望な効率とレンダリング品質を実現している。
SplatWeaverは、フィードフォワード方式で異なるリージョンにガウスプリミティブを動的に割り当てることができる。
論文 参考訳（メタデータ） (2026-05-08T05:51:34Z) - Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。
標準適応密度制御は画面空間の位置勾配に依存する。
本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-30T15:37:20Z) - Generalizable Human Gaussian Splatting via Multi-view Semantic Consistency [6.489803560613637]
本稿では,3次元ガウスを高精度にローカライズし,人間のレンダリング品質を向上させる新しい手法を提案する。
鍵となるアイデアは、予測深度マップを通して各視点から符号化された潜伏埋め込みを共有3次元空間に解法することである。
ベンチマークによる実験結果から,提案手法はスパースビュー入力から一般化可能なヒトガウススプラッティングの性能を効率よく向上することが示された。
論文 参考訳（メタデータ） (2026-04-28T10:12:28Z) - SPAGS: Sparse-View Articulated Object Reconstruction from Single State via Planar Gaussian Splatting [8.690795471370643]
本稿では,平面ガウススプラッティングによるカテゴリー非依存のオブジェクト再構成フレームワークを提案する。
本手法は,合成データと実世界データの両方で高忠実な部分レベル表面再構成を実現する。
論文 参考訳（メタデータ） (2025-11-21T09:49:53Z) - Efficient Sparsification of Simplicial Complexes via Local Densities of States [18.733437653246543]
Simplicial Complex (SC) は、複雑なデータを分析するための一般的な抽象化となっている。
本研究では,状態の局所密度を用いたSCの確率的スパーシフィケーションのための新しい手法を開発した。
ビエトリス族上での我々のフレームワークの性能を実証する。
論文 参考訳（メタデータ） (2025-02-11T13:51:42Z) - SolidGS: Consolidating Gaussian Surfel Splatting for Sparse-View Surface Reconstruction [48.228533595941556]
この問題に対処するために,SolidGSと呼ばれる新しい手法を提案する。
再構成された幾何は多視点では非常に不整合であることがわかった。
幾何学的正規化と単分子正規化の助けを借りて,スパース面の再構成における優れた性能を実現する。
論文 参考訳（メタデータ） (2024-12-19T21:04:43Z) - 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) - 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) - Optimisation via encodings: a renormalisation group perspective [0.0]
最適化問題の解法として被覆符号化マップをどのように利用できるかを示す。
カバーエンコーディングマップに係わる粗粒化は、再正規化グループスキームで遭遇した粗粒化と強く類似していることが示される。
論文 参考訳（メタデータ） (2023-03-28T19:07:33Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。