論文の概要: GradSplat: Gradients Inside the Forward Pass for Feed-Forward 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.38951v1
• Date: Wed, 28 Oct 2026 21:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:14:39.985044
• Title: GradSplat: Gradients Inside the Forward Pass for Feed-Forward 3D Gaussian Splatting
• Title（参考訳）: GradSplat:フィードフォワード型3Dガウス型スプレイティングのためのフォワードパス内部のグラディエント
• Abstract要約: GradSplatはフィードフォワードモデルで、フォワードパス内のグラデーションステップを学習することで独自のガウシアンを洗練し、ターゲットビューを含まない。 完全な6ビューのRealEstate10Kプロトコルでは、9つのメソッドの中で最高のPSNRとSSIMを持つ。 微調整なしでDL3DVでもっとも正確で、ScanNet++で最高のPSNRとSSIMを持つ。
• 参考スコア（独自算出の注目度）: 13.548287179982111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward 3D Gaussian Splatting predicts a scene from a few images, but our predictor is less accurate than its own Gaussians optimized per scene on those images. This gap lies mostly in the shape of the Gaussians, their scale and rotation, since optimizing the shape alone recovers almost all of it and opacity and color recover less. Gradient steps on the input views correct this shape, and the model holds these views at inference. Log-anisotropy correction changes the axis ratios of each Gaussian in log space at constant volume, and in-forward gradient refinement renders the Gaussians into the input views and applies the gradient of the photometric loss with a learned recurrent update, first to opacity and color and then to the shape. GradSplat is a feed-forward model that refines its own Gaussians by learned gradient steps inside its forward pass, with no target view. On both complete six-view RealEstate10K protocols, it has the best PSNR and SSIM among nine methods and keeps its accuracy from $6$ to $42$ input views. Without fine-tuning, it is the most accurate on DL3DV and has the best PSNR and SSIM on ScanNet++. The code will be released at https://github.com/Jingong-Chen/GradSplat/.
• Abstract（参考訳）: フィードフォワード3Dガウシアンスプラッティングは、いくつかの画像からシーンを予測しますが、これらの画像に最適化された独自のガウシアンよりも正確ではありません。 このギャップは主にガウスのスケールと回転の形状にあるが、形状だけを最適化することでほぼ全てを回復し、不透明さと色は減少する。 入力ビューのグラディエントステップがこの形状を補正し、モデルはこれらのビューを推論で保持する。 対数異方性補正は、対数空間における各ガウスの軸比を一定体積で変化させ、インフォワード勾配補正はガウスを入力ビューに描画し、学習された繰り返し更新で測光損失の勾配を、まず不透明度と色に、次に形状に印加する。 GradSplatはフィードフォワードモデルで、フォワードパス内のグラデーションステップを学習することで独自のガウシアンを洗練し、ターゲットビューを含まない。 完全な6ビューのRealEstate10Kプロトコルでは、9つのメソッドの中で最高のPSNRとSSIMを持ち、精度は6ドルから42ドルまで維持される。 微調整なしでDL3DVでもっとも正確で、ScanNet++で最高のPSNRとSSIMを持つ。 コードはhttps://github.com/Jingong-Chen/GradSplat/でリリースされる。

関連論文リスト

• InfiniSplat v2: Analyzing and Improving Feed-Forward 3DGS from Any Views [74.16877540289617]
  InfiniSplat v2を導入することで、アーキテクチャやトレーニングの変更によるレンダリング品質の向上を実現します。 本手法は, 凍結した幾何学分岐を用いて, 形状予測と属性予測を分離する。 画像再構成のみを用いて学習した不透明度は、幾何学的に矛盾する点を抑える。
  論文  参考訳（メタデータ） (2026-10-14T15:21:57Z)
• 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)
• TruncGradGS: Improved 3D Gaussian Splatting via Truncated Gradient Updates [12.79385955347933]
  3Dガウススプラッティングは、新規なビュー合成のためのデファクトシーン表現となっている。 標準最適化は勾配に基づく更新に依存しているが、一般的な問題は勾配の消滅現象である。 本稿では,一方向の勾配定式化により,勾配の消失に対処する手法を提案する。
  論文  参考訳（メタデータ） (2026-09-03T08:34:27Z)
• ReSplat: Learning Recurrent Gaussian Splats [98.14472247275512]
  ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。 我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。 提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:59Z)
• DropGaussian: Structural Regularization for Sparse-view Gaussian Splatting [5.216151302783165]
  本稿では,DropGaussianと呼ばれる3次元ガウススプラッティングの簡易な変更による事前自由化手法を提案する。 具体的には、トレーニングプロセス中にランダムにガウスをドロップアウトで除去し、非除外ガウスがより大きな勾配を持つようにします。 このような単純な操作は、オーバーフィッティング問題を効果的に軽減し、新規なビュー合成の品質を高める。
  論文  参考訳（メタデータ） (2025-04-01T13:23:34Z)
• Pushing Rendering Boundaries: Hard Gaussian Splatting [72.28941128988292]
  3D Gaussian Splatting (3DGS) は,NVS(Noven View Synthesis) をリアルタイムなレンダリング方式で実現した。 我々はHGSと呼ばれるハードガウシアンスプラッティングを提案し、これは多視点的な位置勾配とレンダリング誤差を考慮し、ハードガウシアンを成長させる。 本手法は,リアルタイムの効率を保ちながら,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） (2024-12-06T07:42:47Z)
• Volumetrically Consistent 3D Gaussian Rasterization [18.84882580327324]
  また,スプレイティングにおけるコア近似は,ビューライザ内においても不要であることを示す。 この分析透過率を用いて3DGSよりも高精度なアルファ値を得る。 本手法は, 3DGSよりも精度が高く, 点数が少ない表面を表現している。
  論文  参考訳（メタデータ） (2024-12-04T15:05:43Z)
• Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
  任意のスケールでガウスを適応させる統一最適化法を提案する。 ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。 本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
  論文  参考訳（メタデータ） (2024-08-12T16:49:22Z)
• RTG-SLAM: Real-time 3D Reconstruction at Scale using Gaussian Splatting [51.51310922527121]
  ガウススプラッティングを用いた大規模環境のためのRGBDカメラを用いたリアルタイム3D再構成システムを提案する。 それぞれのガウス語は不透明かほぼ透明で、不透明なものは表面色と支配的な色に、透明なものは残留色に適合する。 様々な大きなシーンをリアルタイムに再現し、新しいビュー合成とカメラトラッキングの精度のリアリズムにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-30T16:54:59Z)

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。