3Dガウスからの信頼度に基づくメッシュ抽出

要旨: 近年、3D Gaussian Splatting（3DGS）は、その明示的な表現と高速なソフトウェアラスタライズによって、ポーズ付き画像からのメッシュ抽出を大幅に加速しました。幾何学的ロスやその他の事前知識（prior）の追加により、抽出された表面の精度は向上しましたが、視点依存の効果が豊富なシーンでは、メッシュ抽出は依然として困難です。生じる曖昧さを解消するために、従来研究では多視点技術、反復的なメッシュ抽出、あるいは大規模な事前学習モデルに依存しており、3DGSが本来持つ効率性を犠牲にしています。本研究では、3DGSに自己教師ありの信頼度（confidence）フレームワークを導入することで、単純で効率的な代替手法を提示します。この枠組みの中で、学習可能な信頼度の値が、フォトメトリック（外観/輝度）と幾何学的な教師信号のバランスを動的に調整します。信頼度に基づく定式化を拡張し、原始（プリミティブ）ごとの色および法線の分散を罰する損失を導入し、それらが表面抽出にもたらす利点を示します。最後に、D-SSIMロスの各項をデカップリングすることで、上記に加えて外観モデルを改善します。提案手法は、無制限（unbounded）メッシュに対して最先端の結果を達成しつつ、高い効率性も維持しています。