GaussianSelector: グラフ最適化を用いた3Dガウススプラッティングにおける軽量な人間誘導型物体選択

要旨

再構築されたシーンから完全な3Dオブジェクトを最小限のユーザー労力で選択することは、実用的なシーン編集と身体性インタラクションにとって不可欠である。既存の3DGSベースの手法は、オブジェクトごとのラベルを埋め込むためにガウス表現を再学習するか、または高密度な多視点SAM観測を構築するかのいずれかであり、どちらも重い計算と、実際にはほとんど利用できない密な視点カバレッジを必要とする。我々は、スパースな視点とスパースなスクリブルガイダンスからインタラクティブな3Dオブジェクト選択を行うための、トレーニング不要のフレームワークであるGaussianSelectorを提案する。ネイティブなガウスプリミティブに直接作用し、密なガウスを幾何学的にコヒーレントなスーパーポイントへ粗粒化し、外観と空間的手がかりを用いて連続性重み付きグラフを構築する。スパースなユーザースクリブルは、可視性を考慮した透過率カバレッジを介して3Dに持ち上げられ、選択は、スパースな証拠を完全な3Dオブジェクトに伝播させるグローバルなグラフカットエネルギー最小化として解かれる。この設計は自然にマルチラウンドの改良をサポートし、ユーザーは追加の視点から選択を反復的に修正して、結果を段階的に改善することができる。実験により、GaussianSelectorは最先端の多視点SAMベースの手法と競合する選択品質を達成しつつ、はるかに少ないインタラクションビューと大幅に低い計算オーバーヘッドを必要とすることが実証された。これらの特性により、実世界の展開シナリオにおける人間参加型の3Dシーン編集と3Dアセット抽出に非常に適している。

English

Selecting a complete 3D object from a reconstructed scene with minimal user effort is essential for practical scene editing and embodied interaction. Existing 3DGS-based methods either retrain the Gaussian representation to embed per-object labels, or build dense multi-view SAM observations, both requiring heavy computation and dense viewpoint coverage that is rarely available in practice. We present GaussianSelector, a training-free framework for interactive 3D object selection from sparse views and sparse scribble guidance. Operating directly on native Gaussian primitives, we coarsen dense Gaussians into geometrically coherent superpoints and construct a continuity-weighted graph using appearance and spatial cues. Sparse user scribbles are lifted into 3D via visibility-aware transmittance coverage, and selection is solved as a global graph-cut energy minimization that propagates sparse evidence to a complete 3D object. This design naturally supports multi-round refinement, where users iteratively correct the selection from additional viewpoints to progressively improve the result. Experiments demonstrate that GaussianSelector achieves competitive selection quality against state-of-the-art multi-view SAM-based methods, while requiring significantly fewer interaction views and substantially lower computational overhead. These properties make it well suited for human-in-the-loop 3D scene editing and 3D asset extraction in real-world deployment scenarios.