論文の概要: SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary Scenes
- arxiv url: http://arxiv.org/abs/2611.08264v1
- Date: Thu, 05 Nov 2026 16:37:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.580928
- Title: SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary Scenes
- Title（参考訳）: SplatAnything: 任意シーンにおけるフィードフォワード3DGSのガウススペーシング正規化
- Abstract要約: SplatAnything with Gaussian Spacing Normalization (GSNorm) を提案する。
大規模な実験により、SplatAnythingは最先端のパフォーマンスを実現し、特にシーンスケールと視点のかなりの変化の下で大きな利益を得ていることが示されている。
- 参考スコア（独自算出の注目度）: 67.33274545759305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We identify a key limitation of existing feed-forward 3DGS methods: Gaussian attributes are typically predicted in a radial-distance-normalized space that canonicalizes a global radial statistic of the reconstructed geometry, while the spacing between neighboring Gaussian centers can still vary substantially across scene scales and camera configurations. This mismatch induces systematic shifts in Gaussian-scale targets, leading to ambiguous supervision. To address this, we propose SplatAnything with Gaussian Spacing Normalization (GSNorm), which canonicalizes a robust scene-level statistic of Gaussian spacing to provide a more consistent spatial reference for Gaussian prediction. To rigorously assess our method, we further establish a systematic benchmark spanning diverse datasets, input sparsity levels, and challenging extrapolated viewpoints. Extensive experiments demonstrate that SplatAnything achieves state-of-the-art performance, with particularly strong gains under substantial variations in scene scale and viewpoint.
- Abstract（参考訳）: ガウスの属性は、典型的には、視線距離正規化空間において予測されるが、その一方で、隣接するガウス中心間の間隔は、シーンスケールやカメラ構成によって大きく異なる。
このミスマッチはガウス規模の目標を体系的にシフトさせ、曖昧な監視に繋がる。
そこで本稿では, ガウス空間の空間的参照をより一貫した空間的参照を提供するため, ガウス空間のロバストなシーンレベル統計を正準化するガウス空間正規化法(GSNorm)を提案する。
提案手法を厳格に評価するために,多種多様なデータセット,入力空間レベル,外挿視点への挑戦を対象とする体系的ベンチマークを構築した。
大規模な実験により、SplatAnythingは最先端のパフォーマンスを実現し、特にシーンスケールと視点のかなりの変化の下で大きな利益を得ていることが示されている。
関連論文リスト
- Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。
本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
論文 参考訳（メタデータ） (2026-04-16T07:14:07Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - 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) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。
一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。
本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z)
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。