論文の概要: Gaussians Can Subtract: Neural Dissolve Fields for Hybrid Scene Rendering
- arxiv url: http://arxiv.org/abs/2611.07049v1
- Date: Wed, 04 Nov 2026 19:08:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.432346
- Title: Gaussians Can Subtract: Neural Dissolve Fields for Hybrid Scene Rendering
- Title（参考訳）: Gaussian can Subtract: Neural Dissolve Fields for Hybrid Scene Rendering
- Abstract要約: Mesh-Gaussianレンダリングは、コンパクトなテクスチャ曲面と柔軟な3Dガウスプリミティブを組み合わせる。
本報告では, 残余ガウス群が得られた領域を補充する前に, 不整合メッシュを選択的に溶解するサブトラクション・アンド・リフィルフレームワークであるガウスについて述べる。
構造化されたシーンと半構造化されたシーンの実験では、ガウスのプリミティブが少なく、より高速なレンダリングで視覚的忠実度が向上した。
- 参考スコア（独自算出の注目度）: 2.565897348245168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid Mesh-Gaussian rendering combines compact textured surfaces with flexible 3D Gaussian primitives, offering an efficient alternative to purely Gaussian scene representations for structured environments. Existing scene-reconstruction hybrids commonly follow an additive formulation, where Gaussian residuals compensate for errors left by the mesh. However, not every Mesh-Gaussian conflict is caused by missing content: residual geometry errors, occlusion mismatch, texture-projection artifacts, and view-dependent appearance can make the same mesh content consistent in one view but inconsistent in another. We therefore formulate hybrid rendering as a multi-view inconsistency problem and present Gaussolve, a subtract-and-refill framework that selectively dissolves inconsistent mesh content before residual Gaussians refill the revealed regions. We introduce a lightweight Neural Dissolve Field, parameterized by scalar spherical-harmonic Gaussians, to learn where and from which viewing directions mesh content should be dissolved. A continuous transmittance fusion rule progressively exposes residual Gaussians behind the dissolved mesh, preserving their reconstruction gradients and avoiding hard visibility discontinuities. Experiments on structured and semi-structured scenes demonstrate higher visual fidelity with fewer Gaussian primitives and faster rendering. Project page: https://ooosn.github.io/gaussians-can-subtract/
- Abstract（参考訳）: ハイブリッドメッシュ・ガウシアンレンダリングは、コンパクトなテクスチャ曲面と柔軟な3次元ガウシアンプリミティブを組み合わせることで、構成された環境に対する純粋なガウシアンシーン表現の効率的な代替手段を提供する。
既存のシーン再構成ハイブリッドは通常、メッシュが残したエラーをガウス残基が補償する付加的な定式化に従う。
しかし、すべてのメッシュとガウスの対立は、残差幾何学的誤り、オクルージョンミスマッチ、テクスチャ・プロジェクション・アーティファクト、ビューに依存した外観など、欠落したコンテンツによって引き起こされるわけではない。
そこで我々は,多視点不整合問題としてハイブリッドレンダリングを定式化し,未整合メッシュコンテンツを選択的に解き放つためのサブトラクション・アンド・リフィル・フレームワークであるGaussolveについて述べる。
本研究では,スカラー球面-高調波ガウスによってパラメータ化される軽量なニューラルディスゾリュート場を導入し,視線メッシュの内容がどこに、どこから溶解すべきかを学習する。
連続透過核融合規則は、溶解メッシュの背後にある残留ガウシアンを徐々に露出させ、その再構築勾配を保ち、視界の不連続を避ける。
構造化されたシーンと半構造化されたシーンの実験では、ガウスのプリミティブが少なく、より高速なレンダリングで視覚的忠実度が向上した。
プロジェクトページ: https://ooosn.github.io/gaussians-can-subtract/
関連論文リスト
- Hybrid Latents: Geometry-Appearance-Aware Surfel Splatting [9.172976097509887]
多視点画像から2次元ガウスシーンモデルを再構成するためのハイブリッドガウス-ハッシュ-グリッド放射率表現を提案する。
NeSTスプラッティングと同様に、我々の手法はNeRFモデルで一般的な幾何学と外観の絡み合いを低減する。
論文 参考訳（メタデータ） (2026-04-16T12:13:09Z) - GaussianGrow: Geometry-aware Gaussian Growing from 3D Point Clouds with Text Guidance [60.86483080195698]
3D Gaussian Splattingは、レンダリング効率と品質において優れた性能を示している。
既存の手法では、ガウス原始体を推定するための幾何学的参照として点写像を予測することを検討した。
GaussianGrowは、簡単にアクセス可能な3Dポイントクラウドからガウシアンを成長させることで、3Dガウシアンを生成する新しいアプローチである。
論文 参考訳（メタデータ） (2026-04-07T11:23:23Z) - Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。
再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
論文 参考訳（メタデータ） (2026-04-06T17:24:18Z) - 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) - Dynamic Gaussians Mesh: Consistent Mesh Reconstruction from Dynamic Scenes [27.531394287148384]
動的入力から高忠実かつ時間一貫性のあるメッシュを再構築するフレームワークであるDynamic Gaussians Mesh (DG-Mesh)を紹介した。
我々の研究は、3次元ガウス散乱の最近の進歩を活用し、動的観測から時間的一貫性を持つメッシュ配列を構築する。
メッシュガイドによる密度化と変形したガウスへのプルーニングによるメッシュ再構築を実現するため,均等に分散したガウスアンを奨励するガウス・メシュアンチョリングを導入する。
論文 参考訳（メタデータ） (2024-04-18T17:58:16Z) - DeferredGS: Decoupled and Editable Gaussian Splatting with Deferred Shading [50.331929164207324]
我々は,遅延シェーディングを用いたガウススプレイティング表現のデカップリングと編集を行うDedeerredGSを紹介する。
定性的かつ定量的な実験は、新しいビューおよび編集タスクにおけるDederredGSの優れた性能を示す。
論文 参考訳（メタデータ） (2024-04-15T01:58:54Z) - Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。
我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。
提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
論文 参考訳（メタデータ） (2024-02-07T12:36:54Z)
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。