論文の概要: SG-Splat: Stable Geometry Learning under Pose Uncertainty for Pose-Free 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.35361v1
• Date: Mon, 26 Oct 2026 12:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.932209
• Title: SG-Splat: Stable Geometry Learning under Pose Uncertainty for Pose-Free 3D Gaussian Splatting
• Title（参考訳）: SG-Splat: Pose Uncertainity 下での安定な幾何学学習 : Pose-free 3D Gaussian Splatting
• Abstract要約: 3Dガウススプラッティング(3DGS)は,3Dシーンの映像合成と3Dシーン再構成において有望な表現となっている。 近年,非ポーズ入力画像から直接ガウス表現を再構成する,ポーズフリーフィードフォワード3DGSの研究が進められている。 本稿では,ポーズレスフィードフォワード3DGSフレームワークであるSG-Splatについて述べる。
• 参考スコア（独自算出の注目度）: 36.2142825576929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has become a promising representation for real-time novel view synthesis and 3D scene reconstruction. For practical deployment, recent studies have explored pose-free feed-forward 3DGS, which reconstructs Gaussian representations directly from unposed input images. However, these methods remain sensitive to residual pose errors, which perturb canonical-space Gaussian transformation, introducing noisy supervision for geometry and attribute learning. To address this problem, we present SG-Splat, a pose-free feed-forward 3DGS framework that improves robustness to pose uncertainty and stabilizes the learning of Gaussian primitives. SG-Splat decouples geometry estimation and Gaussian attribute prediction into two dedicated branches, reducing error coupling between pose-sensitive geometry and Gaussian attributes. We further introduce a coarse-to-fine refinement pipeline, consisting of Flow-Guided Pose Refinement (FGPR) and Residual-Guided Geometry Correction (RGC), to improve geometric alignment before Gaussian attribute reconstruction. Specifically, FGPR refines camera poses with flow-based correlation features and differentiable bundle adjustment. RGC then corrects initial point maps using depth residuals derived from FGPR, producing more reliable Gaussian centers. To stabilize training, we introduce a dual-path strategy that mixes ground-truth and predicted poses for canonical transformation. It provides clean supervision for Gaussian attributes while improving geometry robustness to residual pose errors. Extensive experiments on DL3DV and RealEstate10K show that SG-Splat achieves state-of-the-art performance in both novel view synthesis and pose estimation.
• Abstract（参考訳）: 3Dガウススプラッティング(3DGS)は,3Dシーンの映像合成と3Dシーン再構成において有望な表現となっている。 近年,ポーズレスフィードフォワード3DGSはガウス表現を未提示の入力画像から直接再構成する手法として検討されている。 しかし、これらの手法は、標準空間ガウス変換を摂動させる残差ポーズ誤差に敏感なままであり、幾何学と属性学習のノイズ管理を導入している。 この問題を解決するために,ポーズレスフィードフォワード3DGSフレームワークであるSG-Splatを提案する。 SG-Splatは幾何学的推定とガウス的属性予測を2つの専用分岐に分離し、ポーズ感受性幾何とガウス的属性の間の誤差結合を低減する。 さらに,フローガイドポッドリファインメント(FGPR)と残留ガイド幾何補正(Residual-Guided Geometry Correction, RGC)から構成される粗大な微細化パイプラインを導入し,ガウス属性再構成前の幾何学的アライメントを改善する。 特に、FGPRは、フローベースの相関機能と異なるバンドル調整を備えたカメラのポーズを洗練する。 RGCはFGPRから派生した深度残差を用いて初期点写像を補正し、より信頼性の高いガウス中心を生成する。 トレーニングを安定させるために,地上構造と予測ポーズを混合して正準変換を行うデュアルパス戦略を導入する。 これは、残留ポーズエラーに対する幾何学的ロバスト性を改善しながら、ガウス属性のクリーンな監視を提供する。 DL3DVとRealEstate10Kの大規模な実験により、SG-Splatは、新しいビュー合成とポーズ推定の両方において最先端の性能を達成することが示された。

関連論文リスト

• D3GS: Depth, DINO, and RGB Diffusion Co-Guided 3D Gaussian Splatting for Sparse-View Reconstruction [45.82236569796408]
  D$3$GSはDepth-DINO-Diffusionガイド付きスパースビューガウス再構成フレームワークで、幾何学と外観を共同で強化する。 DTU、LLFF、Mip-NeRF 360の実験では、D$3$GSは強いベースラインよりも一貫性と実質的な改善を達成している。
  論文  参考訳（メタデータ） (2026-09-19T10:41:14Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Radioactive 3D Gaussian Ray Tracing for Tomographic Reconstruction [10.822437634828303]
  R2-Gaussianは3DGSパラダイムをトモグラフィー再構成に拡張した。 3次元ガウス線トレーシングに基づくトモグラフィ再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T06:53:42Z)
• Pose-free 3D Gaussian splatting via shape-ray estimation [22.44197443080198]
  ポーズフリーでフィードフォワードのガウススプレイティングフレームワークであるSHAREを紹介する。 明示的な3D変換に頼る代わりに、SHAREはポーズ対応の標準ボリューム表現を構築する。 実世界の多様なデータセットに対する実験により,本手法が堅牢な性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-05-29T01:34:40Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• 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)
• GaussianBody: Clothed Human Reconstruction via 3d Gaussian Splatting [14.937297984020821]
  本稿では,3次元ガウシアンスプラッティングをベースとした,ガウシアンボディと呼ばれる新しい布地復元手法を提案する。 静的な3次元ガウススメッティングモデルを動的復元問題に適用することは、複雑な非剛性変形とリッチな布の細部のために非自明である。 本手法は,ダイナミックな衣料人体に高精細な画質で,最先端のフォトリアリスティックなノベルビューレンダリングを実現できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T04:48:13Z)

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。