arXiv:2509.11853v2 Announce Type: replace 
Abstract: Sparse-view synthesis remains a challenging problem due to the difficulty of recovering accurate geometry and appearance from limited observations. While recent advances in 3D Gaussian Splatting (3DGS) have enabled real-time rendering with competitive quality, existing pipelines often rely on Structure-from-Motion (SfM) for camera pose estimation, an approach that struggles in genuinely sparse-view settings. Moreover, several SfM-free methods replace SfM with multi-view stereo (MVS) models, but generate massive numbers of 3D Gaussians by back-projecting every pixel into 3D space, leading to high memory costs. We propose Segmentation-Driven Initialization for Gaussian Splatting (SDI-GS), a method that mitigates inefficiency by leveraging region-based segmentation to identify and retain only structurally significant regions. This enables selective downsampling of the dense point cloud, preserving scene fidelity while substantially reducing Gaussian count. Experiments across diverse benchmarks show that SDI-GS reduces Gaussian count by up to 50% and achieves comparable or superior rendering quality in PSNR and SSIM, with only marginal degradation in LPIPS. It further enables faster training and lower memory footprint, advancing the practicality of 3DGS for constrained-view scenarios.

تظل عملية التركيب من وجهة نظر محدودة تحديًا بسبب صعوبة استعادة الهندسة والمظهر بدقة من الملاحظات المحدودة. بينما أدت التطورات الأخيرة في تقنية التوزيع الغاوسي ثلاثي الأبعاد (3DGS) إلى تحسين جودة العرض في الوقت الحقيقي، فإن الأنظمة الحالية تعتمد غالبًا على الهيكل من الحركة (SfM) لتقدير وضع الكاميرا، وهي طريقة تعاني في إعدادات العرض المحدود. نقترح طريقة بدء التشغيل المدفوعة بالتجزئة لتوزيع الغازات (SDI-GS) التي تخفف من عدم الكفاءة من خلال الاستفادة من التجزئة القائمة على المنطقة لتحديد والاحتفاظ بالمناطق الهيكلية الهامة فقط، مما يمكّن من تقليل عدد النقاط في السحابة الكثيفة مع الحفاظ على دقة المش…

La síntesis de vista escasa presenta desafíos para recuperar con precisión la geometría y la apariencia a partir de observaciones limitadas. Los avances recientes en el 3D Gaussian Splatting (3DGS) han mejorado la calidad del renderizado en tiempo real, sin embargo, los métodos existentes a menudo dependen de la Estructura a partir del Movimiento (SfM) para la estimación de la pose de la cámara, lo que resulta ineficaz en escenarios de vista escasa. La propuesta de Inicialización Impulsada por Segmentación para el Splatting Gaussiano (SDI-GS) aborda estas ineficiencias al utilizar segmentación…

La synthèse à vue sparse pose des défis pour la récupération précise de la géométrie et de l'apparence à partir d'observations limitées. Les avancées récentes dans le domaine du 3D Gaussian Splatting (3DGS) ont amélioré la qualité du rendu en temps réel, mais les méthodes existantes dépendent souvent de la Structure-from-Motion (SfM) pour l'estimation de la pose de la caméra, ce qui est inefficace dans les scénarios à vue sparse. La méthode proposée, Segmentation-Driven Initialization for Gaussian Splatting (SDI-GS), vise à atténuer ces inefficacités en utilisant une segmentation basée sur des…

Sparse-view synthesis presents challenges in accurately recovering geometry and appearance from limited observations. Recent advancements in 3D Gaussian Splatting (3DGS) have improved real-time rendering quality, yet existing methods often depend on Structure-from-Motion (SfM) for camera pose estimation, which is ineffective in sparse-view scenarios. The proposed Segmentation-Driven Initialization for Gaussian Splatting (SDI-GS) addresses these inefficiencies by utilizing region-based segmentation to focus on structurally significant areas, allowing for effective downsampling of dense point cl…

Segmentation-Driven Initialization for Sparse-view 3D Gaussian Splatting

Was this article worth reading? Share it

Mixhubb

Street View Social

SVGenius

Sprello

Deptho.ai

Attentive AI

Ready to build your own newsroom?