論文の概要: 3D Gaussian Splatting within Self-Learned Neural View-Dependent Color Fields

• arxiv url: http://arxiv.org/abs/2611.03114v2
• Date: Wed, 04 Nov 2026 04:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.706361
• Title: 3D Gaussian Splatting within Self-Learned Neural View-Dependent Color Fields
• Title（参考訳）: 自己学習型ニューラルビュー依存色場における3次元ガウス散乱
• Abstract要約: ニューラルネットワークによりパラメータ化された連続的なビュー依存カラーフィールド内の放射場を学習する。 色の連続的な制約により、ニューラルネットワークの低周波信号に対するバイアスは幾何学的モデリングを促進することができる。 ニューラルビューに依存したカラーフィールドの学習を改善するための新しい自己学習戦略を導入する。
• 参考スコア（独自算出の注目度）: 85.33559808736993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has become a vital tool in novel view synthesis. 3D Gaussian functions with attributes like color, opacity, and scale are stacked together to explicitly model a radiance field. However, discrete 3D Gaussians usually produce poor depth with few geometry details but lots of floaters, which hinders the effective modeling of smooth radiance fields. To address this issue, we propose to learn a radiance field within a continuous view-dependent color field parameterized by neural networks. With continuous constraints in color, the bias on low-frequency signals of neural networks can highly encourage the geometry modeling to contribute to high-frequency color variations on images, getting rid of solely relying on the color attribute itself. Moreover, we impose a constraint to improve the Lipschitz continuity of the neural color field, making large changes of each Gaussian's color also match with large changes of its position in terms of a ratio. To this end, we additionally introduce novel self-learning strategies to improve the learning of the neural view-dependent color field without any external knowledge or priors, aiming for better generalization on unseen scenes. Our numerical and visual comparisons on widely used benchmarks justify our idea and show better ability of high fidelity geometry recovery in 3DGS. Project page: https://github.com/yangyixi21/Neural-Color-Fields-3DGS.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は新規なビュー合成において重要なツールとなっている。 色、不透明度、スケールといった属性を持つ3次元ガウス関数を積み重ねて、放射場を明示的にモデル化する。 しかし、離散的な3Dガウシアンは通常、幾何学的な詳細はほとんどなく、多くの浮動小数点を発生させ、滑らかな放射場を効果的にモデル化するのを妨げている。 この問題に対処するために、ニューラルネットワークによってパラメータ化された連続的なビュー依存カラーフィールド内の放射場を学習することを提案する。 色の連続的な制約により、ニューラルネットワークの低周波信号に対するバイアスは、画像の高周波色変化に寄与するように幾何学的モデリングを強く奨励し、色属性自体にのみ依存するのを避けることができる。 さらに、ニューラルカラー場のリプシッツ連続性を改善するための制約を課し、各ガウス色の大きな変化を、比の観点からもその位置の大きな変化と一致させる。 この目的のために、外部知識や事前知識を必要とせずに、ニューラルビューに依存したカラーフィールドの学習を改善するための新しい自己学習戦略を導入する。 広く使われているベンチマークにおける数値的および視覚的比較は、我々のアイデアを正当化し、3DGSにおける高忠実度幾何回復のより良い能力を示す。 プロジェクトページ:https://github.com/yangyixi21/Neural-Color-Fields-3DGS

関連論文リスト

• Splat the Net: Radiance Fields with Splattable Neural Primitives [64.84677516748998]
  安定なニューラルプリミティブは、プリミティブベースのスプレイティングの効率でニューラルモデルの表現性を調整します。 私たちの表現は、高価な光線マーチングを必要とせずに、ビュー線に沿った統合をサポートします。
  論文  参考訳（メタデータ） (2025-10-09T17:31:11Z)
• Neural Signed Distance Function Inference through Splatting 3D Gaussians Pulled on Zero-Level Set [49.780302894956776]
  多視点表面再構成における符号付き距離関数(SDF)の推測は不可欠である。 本稿では3DGSとニューラルSDFの学習をシームレスに融合する手法を提案する。 我々の数値的および視覚的比較は、広く使用されているベンチマークの最先端結果よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-18T05:48:06Z)
• Gaussian Splatting with NeRF-based Color and Opacity [7.121259735505479]
  本研究では、3Dオブジェクトの形状のGS表現と、色と不透明度のNeRFに基づく符号化を利用するハイブリッドモデルであるビューングディビジョン・ガウス・スティング(VDGS)を提案する。 我々のモデルは、テクスチャや光の成分を追加することなく、影、光の反射、そして3Dオブジェクトの透明さをよりよく記述します。
  論文  参考訳（メタデータ） (2023-12-21T10:52:59Z)
• Feature 3DGS: Supercharging 3D Gaussian Splatting to Enable Distilled Feature Fields [54.482261428543985]
  ニューラル・ラジアンス・フィールドを使用する手法は、新しいビュー合成のような従来のタスクに汎用的である。 3次元ガウシアンスプラッティングは, 実時間ラディアンス場レンダリングにおける最先端の性能を示した。 この問題を効果的に回避するために,アーキテクチャとトレーニングの変更を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:46:30Z)

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。