論文の概要: MacroGS: Macro-Pixel Shared Gaussian Primitives for Arbitrary-Scale Light Field Super-Resolutio
- arxiv url: http://arxiv.org/abs/2611.17957v1
- Date: Fri, 13 Nov 2026 09:48:48 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:31:25.620381
- Title: MacroGS: Macro-Pixel Shared Gaussian Primitives for Arbitrary-Scale Light Field Super-Resolutio
- Title(参考訳): MacroGS: Macro-Pixel による任意規模の光フィールド用ガウスプリミティブの共有
- Abstract要約: MacroGSは、マクロピクセルごとに1つの共有ガウス集合を予測するフィードフォワードデコーダである。
プライミティブごとの格差を反復的に予測し、対応するマルチビュー機能を検索し、プリミティブ状態を更新する。
最先端の暗黙の光フィールドデコーダで約2-10times$、ビューワイドのガウスベースラインで10-18times$のスピードアップを実現している。
- 参考スコア(独自算出の注目度): 9.451581664552567
- License:
- Abstract: Arbitrary-scale light field spatial super-resolution reconstructs high-resolution views at any requested scale from low-resolution multi-view observations. Gaussian primitives enable continuous reconstruction, but generating separate primitive sets for each view redundantly encodes shared scene structure across views and causes the primitive count grow linearly with the number of views. To avoid such redundancy, we propose MacroGS, a feed-forward decoder that jointly predicts a single shared Gaussian set per macro pixel rather than generating separate sets for each view. Disparity-dependent replacement and angle-conditioned appearance allow each set to be reused across all output views, keeping the predicted primitive count independent of the number of views at each requested scale. The decoder iteratively predicts per-primitive disparities, retrieves the corresponding multi-view features, and updates the primitive states. Gaussian splatting and residual refinement then reconstruct the output light field. Despite being learned without geometric supervision, the predicted disparities strongly correlate with underlying scene geometry. Experiments across five benchmarks demonstrate that MacroGS integrates effectively with diverse light field encoders, improving reconstruction quality at fixed scales while achieving leading performance across most evaluated arbitrary-scale settings. The decoder also achieves speedups of approximately $2$-$10\times$ over state-of-the-art implicit light field decoders and $10$-$18\times$ over the view-wise Gaussian baseline.
- Abstract(参考訳): 任意スケールの光場空間超解像は、低解像度のマルチビュー観測から要求された任意のスケールで高解像度のビューを再構成する。
ガウスのプリミティブは連続的な再構成を可能にするが、ビューごとに別々のプリミティブセットを生成してビュー間で共有シーン構造を冗長にエンコードし、ビュー数とともにプリミティブカウントが線形に増加する。
このような冗長性を回避するために,マクロ画素毎に1つの共有ガウス集合を共同で予測するフィードフォワードデコーダであるMacroGSを提案する。
差分に依存した置換と角度条件付き外観により、各セットはすべての出力ビューで再利用でき、予測されたプリミティブカウントは要求された各スケールのビュー数とは無関係に保たれる。
デコーダは、プリミティブごとの格差を反復的に予測し、対応するマルチビュー機能を検索し、プリミティブ状態を更新する。
ガウススプティングと残留精製は出力光場を再構成する。
幾何学的な監督なしに学習されているにもかかわらず、予測された格差は、下層の風景幾何学と強く相関している。
5つのベンチマークで実験したところ、MacroGSは様々な光電場エンコーダと効果的に統合され、固定スケールでの再現品質が向上し、最も評価された任意のスケール設定で主要なパフォーマンスを実現している。
デコーダは、最先端の暗黙の光フィールドデコーダで約2ドル~10ドル、ビューワイドのガウスベースラインで10ドル~18ドルというスピードアップも達成している。
関連論文リスト
- Perturb, Aggregate then Reconstruct: Consensus Aggregation and Fourier-Attended Multi-Decoders for Reconstruction-based Multi-View Anomaly Detection [5.690429632407952]
本稿では,多視点異常検出のための再構成フレームワークPARを提案する。
ビュー特殊化マルチデコーダアーキテクチャを用いて局所化異常マップを生成する。
Real-IADデータセットの実験では、PARはサンプルレベル、画像レベル、ピクセルレベルの異常検出において、最先端の手法を一貫して上回っている。
論文 参考訳(メタデータ) (2026-11-09T14:22:47Z) - Feed-Forward Multi-View Feature Coding for 3D Gaussian Splatting [1.193044160835091]
シーンコーディングのためのエンドツーエンドフィードフォワードフレームワークを提案する。
明示的な表現を圧縮する代わりに、MFGSは入力画像からマルチビューの特徴を抽出し、それらをコンパクトなビットストリームにエンコードする。
論文 参考訳(メタデータ) (2026-10-14T17:58:28Z) - GenRec: Knowing Where to Reconstruct and Where to Generate [106.48347271421765]
GenRecは、再構築世代をそのアーキテクチャ、監督、勾配フローに直接分割するフローマッチングモデルである。
観察された領域で最高の復元忠実度を達成し、また、観測されていない領域では、知覚的品質の純粋に生成的ベースラインを超越する。
論文 参考訳(メタデータ) (2026-08-18T14:31:19Z) - MuGS: Multi-Baseline Generalizable Gaussian Splatting Reconstruction [32.14335364083271]
新規なビュー合成のためのフィードフォワードアプローチであるMulti-Baseline Gaussian Splatting (MuGS)を提案する。
MuGSは、小さなベースラインと大きなベースラインの両方でスパース入力ビューを含む、多様なベースライン設定を効果的に処理する。
LLFFおよびMip-NeRF 360データセットにおけるゼロショット性能を実証した。
論文 参考訳(メタデータ) (2025-08-06T10:34:24Z) - 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) - RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳(メタデータ) (2023-10-18T07:30:08Z)
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。