論文の概要: Quo Vadis, Driving Scene Reconstruction? Occlusion-Aware Gaussian Densification

• arxiv url: http://arxiv.org/abs/2611.06273v1
• Date: Wed, 04 Nov 2026 10:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.054941
• Title: Quo Vadis, Driving Scene Reconstruction? Occlusion-Aware Gaussian Densification
• Title（参考訳）: Quo Vadis : シーンリコンストラクションの推進 : 包括的ガウスデンシフィケーションを意識して
• Abstract要約: OccSplatは,Occlusion-Aware Gaussian Densification が中心となるフィードフォワードフレームワークである。 OccSplatは3D表現でシーンを直接完了する。 nuScenesベンチマークの実験では、OccSplatは比較手法を改善し、特に閉鎖領域における大きな利得を示す。
• 参考スコア（独自算出の注目度）: 0.5987802239875027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While recent feed-forward 3D Gaussian Splatting methods enable efficient driving-scene reconstruction from surround-view images, their reliance on a single observation fundamentally hinders novel-view synthesis. Regions occluded in the input can become visible from novel viewpoints, leaving the reconstructed Gaussians under-constrained and incomplete. Moving beyond image-space inpainting for rendered views, we introduce OccSplat, a feed-forward framework whose core contribution is Occlusion-Aware Gaussian Densification, explicitly targeting missing scene geometry rather than missing pixels. By predicting new Gaussian primitives for unsupported regions, OccSplat completes the scene directly in the 3D representation. Specifically, OccSplat first identifies occluded regions that lack Gaussian support through Gaussian Occlusion Mapping. Gaussian Occlusion Completion then generates new primitives for these regions. The predicted primitives are integrated into the original representation to improve novel-view synthesis while retaining feed-forward inference without per-scene optimization. Experiments on the nuScenes benchmark demonstrate that OccSplat improves on the compared methods and yields particularly large gains in occluded regions, leading to more accurate and visually coherent driving-scene reconstruction.
• Abstract（参考訳）: 近年のフィードフォワード3Dガウス散乱法では,周囲画像からの効率的な運転シーン再構成が可能となっているが,その単一観察への依存は,新規な視点合成を根本的に妨げている。 入力に含まれる領域は、新しい視点から見ることができ、再建されたガウス人は制約を受けておらず不完全なままである。 OccSplatはOcclusion-Aware Gaussian Densification(Occlusion-Aware Gaussian Densification)が中心となるフィードフォワードフレームワークで、ピクセルの欠落ではなく、画像の欠落を目標としている。 OccSplatは、新しいガウシアンプリミティブを非サポート領域で予測することで、3D表現でシーンを直接完了する。 具体的には、OccSplatはまず、ガウスのオクルージョンマッピングを通してガウスの支持を欠いている排他的領域を識別する。 ガウシアン・オクルージョン・コンプリートはこれらの領域に対して新しいプリミティブを生成する。 予測プリミティブを元の表現に統合して、シーンごとの最適化なしにフィードフォワード推論を維持しながら、新規ビュー合成を改善する。 nuScenesベンチマークの実験では、OccSplatは比較手法を改善し、特に閉塞領域で大きな利得をもたらし、より正確で視覚的に整合した運転シーンの再構築をもたらすことが示されている。

関連論文リスト

• Remote Sensing Sparse-View 3D Gaussian Splatting via Depth Image-Based Rendering [34.24765942307795]
  クロスビュー整合性管理のための疑似ビューを生成するための,ニューラルガウススティングフレームワークであるDIBR-GSを提案する。 幾何学的および外観的制約を付加するために, プログレッシブDIBRに基づく疑似視点監視戦略を導入する。 実験により,提案手法は3つの入力ビューしか持たない学習において,既存の手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-28T16:55:27Z)
• Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes [7.253732091582086]
  VAD-GSは3DGSフレームワークで、挑戦的な都市景観の幾何学的復元に適したものだ。 本手法は, ボクセルに基づく可視性推論により, 信頼性の低い幾何学構造を同定する。 多様性を意識したビュー選択を通じて情報的支援ビューを選択し、パッチマッチングベースのステレオ再構築によって行方不明構造を復元する。
  論文  参考訳（メタデータ） (2025-10-10T13:22:12Z)
• 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)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• 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)
• CoherentGS: Sparse Novel View Synthesis with Coherent 3D Gaussians [18.42203035154126]
  2次元画像空間で制御できる構造付きガウス表現を導入する。 次に、ガウス群、特にその位置を制約し、最適化中に独立に動くのを防ぐ。 我々は,様々な場面における最先端のスパースビュー NeRF ベースのアプローチと比較して,顕著な改善を示した。
  論文  参考訳（メタデータ） (2024-03-28T15:27:13Z)
• FSGS: Real-Time Few-shot View Synthesis using Gaussian Splatting [58.41056963451056]
  本稿では,3次元ガウススプラッティングに基づく数ショットビュー合成フレームワークを提案する。 このフレームワークは3つのトレーニングビューでリアルタイムおよびフォトリアリスティックなビュー合成を可能にする。 FSGSは、さまざまなデータセットの精度とレンダリング効率の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-01T09:30:02Z)

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。