Softmax-GS：ブレンドすべきか境界で留めるべきかを学習する一般化ガウスモデル

要旨: 3D Gaussian Splatting（3D GS）は、高い学習およびレンダリング効率により、ノベルビュー合成に広く採用されています。しかし、その効率性は、ガウシアンが3D空間で重ならないという重要な仮定に依存しており、これが顕著なアーティファクトや視点間の不整合につながります。さらに、ガウシアンの本質的に拡散した境界は、鋭い物体の輪郭の正確な再構成を妨げます。本研究では、Softmax-GSという統一的な解決策を提案します。これは、2つのガウシアンが重なる領域においてソフトマックスに基づく競合を強制することで、視点不整合の問題と拡散境界の問題の両方に対処します。競合の強さを制御する学習可能なパラメータにより、滑らかな色のブレンディングから、鮮明でよく定義された境界までの連続的なスペクトラムを実現できます。提案手法の定式化は、任意の2つの重なり合うガウシアンに対して順序不変性を明示的に保持し、重なりの程度にかかわらず出力透過率が変化しないことを保証します。これにより、レンダリング出力における望ましくない不連続が防止されます。単純なジオメトリに対するアブレーション実験により、Softmax-GSの各構成要素の有効性が示されます。また、実世界のベンチマークでの評価では、最先端の性能を達成し、再構成品質とパラメータ効率の両方が向上することが分かります。