論文の概要: Compact3D: Compressing Gaussian Splat Radiance Field Models with Vector Quantization

• arxiv url: http://arxiv.org/abs/2311.18159v1
• Date: Thu, 30 Nov 2023 00:29:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 18:27:20.716503
• Title: Compact3D: Compressing Gaussian Splat Radiance Field Models with Vector Quantization
• Title（参考訳）: Compact3D:ベクトル量子化によるガウスプレート放射場モデル圧縮
• Authors: KL Navaneet, Kossar Pourahmadi Meibodi, Soroush Abbasi Koohpayegani, Hamed Pirsiavash
• Abstract要約: 3D Gaussian Splattingは3次元放射場をモデリング・レンダリングするための新しい手法である。 NeRFに比べてストレージの需要がずっと大きいのに欠点がある。 パラメータを定量化するために,kmeansアルゴリズムに基づく単純なベクトル量子化法を提案する。 提案手法は,従来の3次元ガウス・スメッティング法において,レンダリング画像の品質を非常に低下させることなく,約20倍のコストで保存コストを削減できることを示す。
• 参考スコア（独自算出の注目度）: 18.385375289330568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting is a new method for modeling and rendering 3D radiance fields that achieves much faster learning and rendering time compared to SOTA NeRF methods. However, it comes with a drawback in the much larger storage demand compared to NeRF methods since it needs to store the parameters for several 3D Gaussians. We notice that many Gaussians may share similar parameters, so we introduce a simple vector quantization method based on \kmeans algorithm to quantize the Gaussian parameters. Then, we store the small codebook along with the index of the code for each Gaussian. Moreover, we compress the indices further by sorting them and using a method similar to run-length encoding. We do extensive experiments on standard benchmarks as well as a new benchmark which is an order of magnitude larger than the standard benchmarks. We show that our simple yet effective method can reduce the storage cost for the original 3D Gaussian Splatting method by a factor of almost $20\times$ with a very small drop in the quality of rendered images.
• Abstract（参考訳）: 3D Gaussian Splattingは,SOTA NeRF法よりも高速な学習とレンダリングを実現する3Dラディアンスフィールドのモデリングとレンダリングのための新しい手法である。 しかし、複数の3Dガウスのパラメータを格納する必要があるため、NeRF法に比べてはるかに大きなストレージ需要の欠点がある。 そこで我々は, ガウスのパラメータを量子化するために, \kmeans アルゴリズムに基づく単純なベクトル量子化法を導入する。 そして、各ガウスのコードのインデックスとともに、小さなコードブックを格納します。 さらに、インデックスをソートし、ラン長符号化に似た方法を用いてさらに圧縮する。 私たちは、標準ベンチマークよりも桁違いに大きい新しいベンチマークだけでなく、標準ベンチマークに関する広範囲な実験を行います。 提案手法は,従来の3次元ガウス散乱法の保存コストを,レンダリング画像の品質が極めて低い約20\times$で削減できることを示す。

関連論文リスト

• MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
  本稿では,4DGSのためのメモリ効率フレームワークを提案する。 TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。 レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-10-17T14:47:08Z)
• 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt [65.25603275491544]
  3DGS-LM, 3D Gaussian Splatting(3DGS)の再構築を高速化する新しい手法を提案する。 提案手法は元の3DGSよりも30%高速で, 再現品質の最適化が可能である。
  論文  参考訳（メタデータ） (2024-09-19T16:31:44Z)
• AdR-Gaussian: Accelerating Gaussian Splatting with Adaptive Radius [38.774337140911044]
  3D Gaussian Splatting (3DGS)は、複雑なシーンの高品質な再構成とリアルタイムレンダリングを実現した、最近の明示的な3D表現である。 本稿では,AdR-Gaussianを提案する。これは並列カリングを実現するために,Renderステージのシリアルカリングの一部を前処理ステージに移動させる。 私たちのコントリビューションは3倍で、レンダリング速度は310%で、最先端技術よりも同等かそれ以上品質を維持しています。
  論文  参考訳（メタデータ） (2024-09-13T09:32:38Z)
• Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
  任意のスケールでガウスを適応させる統一最適化法を提案する。 ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。 本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
  論文  参考訳（メタデータ） (2024-08-12T16:49:22Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本稿では,現在のアプローチよりも優れた空間感性プルーニングスコアを提案する。 また,事前学習した任意の3D-GSモデルに適用可能なマルチラウンドプルーファインパイプラインを提案する。 我々のパイプラインは、3D-GSの平均レンダリング速度を2.65$times$で増加させ、より健全なフォアグラウンド情報を保持します。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• GSGAN: Adversarial Learning for Hierarchical Generation of 3D Gaussian Splats [20.833116566243408]
  本稿では,Gaussianを3D GANの3次元表現として利用し,その効率的かつ明示的な特徴を活用する。 生成したガウスの位置とスケールを効果的に正規化する階層的多スケールガウス表現を持つジェネレータアーキテクチャを導入する。 実験結果から,最先端の3D一貫したGANと比較して,レンダリング速度(x100)が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-06-05T05:52:20Z)
• F-3DGS: Factorized Coordinates and Representations for 3D Gaussian Splatting [13.653629893660218]
  ニューラルレイディアンス場(NeRF)のレンダリング手法の代替として,F3DGS(Facterized 3D Gaussian Splatting)を提案する。 F-3DGSはレンダリング画像に匹敵する品質を維持しながら、ストレージコストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-05-27T11:55:49Z)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)
• LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
  光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。 ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。 LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
  論文  参考訳（メタデータ） (2023-11-28T21:39:20Z)
• Compact 3D Gaussian Representation for Radiance Field [14.729871192785696]
  本研究では,3次元ガウス点数を削減するための学習可能なマスク戦略を提案する。 また、格子型ニューラルネットワークを用いて、ビュー依存色をコンパクトかつ効果的に表現することを提案する。 我々の研究は、3Dシーン表現のための包括的なフレームワークを提供し、ハイパフォーマンス、高速トレーニング、コンパクト性、リアルタイムレンダリングを実現しています。
  論文  参考訳（メタデータ） (2023-11-22T20:31:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。