論文の概要: Stage-wise Lineage-aware Dropout for Sparse-View 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2611.17752v1
- Date: Fri, 13 Nov 2026 05:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.306349
- Title: Stage-wise Lineage-aware Dropout for Sparse-View 3D Gaussian Splatting
- Title(参考訳): Sparse-View 3D Gaussian Splattingのためのステージワイドリニアジ対応ドロップアウト
- Abstract要約: 我々は、同じ始祖から派生したガウス原始の集合を記述するために、系譜の概念を導入する。
ドロップアウトは、この問題を軽減するための正規化戦略のひとつです。
本研究では, 構造正規化段階において, 系統家族のドロップアウトを適用したSLD(Stage-wise Lineage-aware Dropout)を提案する。
また, 拡張された候補プールを構築し, デンシフィケーション予算を再配置することにより, デンシフィケーション中に機能するリニアジベースデンシフィケーション(LBD)を提案する。
- 参考スコア(独自算出の注目度): 21.555205192677494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse-view 3D Gaussian Splatting (3DGS) is prone to overfitting because only a limited number of images are available to constrain scene geometry. Dropout is one regularization strategy for alleviating this problem. We introduce the concept of a lineage family to describe a set of Gaussian primitives derived from the same founder through cloning or splitting operations. The founder Gaussians refer to all Gaussian primitives generated during initialization. Descendants within the same family often jointly contribute to the refinement of adjacent local regions. However, dropping individual Gaussians can be less effective due to the compensation effect from neighboring Gaussians for the dropped ones. To address this issue, we propose Stage-wise Lineage-aware Dropout(SLD), which applies lineage-family dropout during the structural regularization stage and switches to individual dropout during the later refinement stage. We further propose Lineage-Balanced Densification(LBD), which operates during densification by constructing an expanded candidate pool and reallocating the densification budget according to the mean gradient scores and existing descendant sizes of different families. Experiments on the LLFF, MipNeRF360, and Blender datasets show that the proposed framework achieves competitive performance in sparse-view reconstruction
- Abstract(参考訳): Sparse-view 3D Gaussian Splatting (3DGS)は、シーン形状を制約するために限られた画像しか利用できないため、過度に適合する傾向にある。
ドロップアウトは、この問題を軽減するための正規化戦略のひとつです。
我々は、クローン化や分割操作を通じて、同じ創始者から派生したガウス的原始的な集合を記述するために、系統ファミリーの概念を導入する。
創始者ガウシアン(英語版)は、初期化時に生成されたすべてのガウシアン原始体を指す。
同族の子孫は、しばしば隣接する地域の改良に共同で貢献する。
しかし、個々のガウシアンを降ろすことは、近隣のガウシアンによる降ろしたガウシアンに対する補償効果により、効果が低下する可能性がある。
この問題に対処するために,構造正則化段階において系統家族のドロップアウトを適用し,後続の洗練段階において個々のドロップアウトに切り替えるSLD(Stage-wise Lineage-aware Dropout)を提案する。
さらに、拡張された候補プールを構築し、異なる家族の平均勾配スコアと既存の子孫サイズに応じて、デンシフィケーション予算を再配置することにより、デンシフィケーション中に機能するリニアジベースデンシフィケーション(LBD)を提案する。
LLFF, MipNeRF360, Blenderのデータセットによる実験から, スパースビュー再構成において, 提案したフレームワークが競争性能を発揮することが示された。
関連論文リスト
- SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary Scenes [67.33274545759305]
SplatAnythingは最先端のパフォーマンスを達成し、特にシーンスケールと視点のかなりのバリエーションの下で大きな利益を得ている。
SplatAnythingは最先端のパフォーマンスを達成し、特にシーンスケールと視点のかなりのバリエーションの下で大きな利益を得ている。
論文 参考訳(メタデータ) (2026-11-05T16:37:29Z) - Birth-Death Structural Learning for 3D Gaussian Splatting [2.5084857536903082]
3D Gaussian Splatting (3DGS) はリアルタイムなノベルビュー合成の標準表現となっている。
本稿では,構造決定を再構成損失から得られる変動スコアに置き換える原理的アプローチである3DGSの初発死制御を提案する。
本研究では,このスコアがSplat回帰モデルの最初の変動の座標であることを示す。
論文 参考訳(メタデータ) (2026-10-25T14:56:56Z) - 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) - PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。
PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。
PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
論文 参考訳(メタデータ) (2026-05-12T13:00:39Z) - 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) - F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。
本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。
実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
論文 参考訳(メタデータ) (2026-03-22T16:03:56Z) - 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) - AbsGS: Recovering Fine Details for 3D Gaussian Splatting [10.458776364195796]
3D Gaussian Splatting (3D-GS) 技術は3Dプリミティブを相違可能なガウス化と組み合わせて高品質な新規ビュー結果を得る。
しかし、3D-GSは、高頻度の詳細を含む複雑なシーンで過度に再構成の問題に悩まされ、ぼやけた描画画像に繋がる。
本稿では,前述の人工物,すなわち勾配衝突の原因を包括的に分析する。
我々の戦略は過度に再構成された地域のガウス人を効果的に同定し、分割して細部を復元する。
論文 参考訳(メタデータ) (2024-04-16T11:44:12Z)
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。