要旨: 本稿では、多視点画像から高い忠実度で髪を再構成するためのコンパクトなパイプラインを提案する。近年の3Dガウススパッティング（3DGS）手法は現実的な結果を達成しているが、多くの場合、何百万ものプリミティブを必要とし、そのため高い保存コストとレンダリングコストが生じる。髪はあるヘアスタイルの範囲内で、構造的および視覚的な類似性を示すことに着目し、ストランドを代表的なヘアカードにクラスタリングし、それらを共有のテクスチャ・コードブックにまとめる。我々のアプローチはこの構造を3DGSレンダリングに統合することで、再構成時間と保存容量を大幅に削減しつつ、同等の視覚品質を維持する。さらに、画像集合から初期ストランド形状を復元するための、生成的事前分布（generative prior）を加速する手法も提案する。我々の実験では、ストランド再構成時間が4分の1に削減され、メモリ使用量は200倍以上小さいにもかかわらず、レンダリング性能は同等であることを示す。
CGHair：カードクラスタリングによるコンパクトなガウス髪再構成
arXiv cs.CV / 2026/4/7
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 提案手法CGHairは、複数視点画像から高忠実度に髪を3D再構成するコンパクトなパイプラインを提示している。
- 従来の3D Gaussian Splatting（3DGS）が数百万のプリミティブを要して高ストレージ・高レンダリングコストになりがちな点に対し、髪の構造的類似性を利用してストランドをヘアカードの代表へクラスタリングすることで削減する。
- クラスタリングしたカード群を共有テクスチャ・コードブックと組み合わせ、3DGSレンダリングに構造を統合することで、再構成時間とストレージを大幅に低減しつつ視覚品質を維持する。
- さらに、画像セットから初期のストランド形状を復元するための生成的優先（generative prior）を用いた高速化手法も提案している。
- 実験ではストランド再構成時間を4倍削減し、レンダリング性能を概ね維持しながらメモリ使用量は200倍以上削減できることを示している。
