Fugu-MT 論文翻訳(概要): 3D Gaussian Splatting as Markov Chain Monte Carlo

論文の概要: 3D Gaussian Splatting as Markov Chain Monte Carlo

arxiv url: http://arxiv.org/abs/2404.09591v1
Date: Mon, 15 Apr 2024 09:01:47 GMT
ステータス: 処理完了
システム内更新日: 2024-04-16 13:00:01.973276
Title: 3D Gaussian Splatting as Markov Chain Monte Carlo
Title（参考訳）: モンテカルロのマルコフ氏、3Dガウシアン・スプラッティング
Authors: Shakiba Kheradmand, Daniel Rebain, Gopal Sharma, Weiwei Sun, Jeff Tseng, Hossam Isack, Abhishek Kar, Andrea Tagliasacchi, Kwang Moo Yi,
Abstract要約: 3D Gaussian Splattingは最近、ニューラルレンダリングで人気になっている。現在の手法は、ガウシアンを配置するための丁寧に設計されたクローニングと分割戦略に依存している。本研究では,3次元ガウスアンを,基礎となる確率分布から引き出されたランダムなサンプルとして再考する。
参考スコア（独自算出の注目度）: 30.04096439325343
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While 3D Gaussian Splatting has recently become popular for neural rendering, current methods rely on carefully engineered cloning and splitting strategies for placing Gaussians, which does not always generalize and may lead to poor-quality renderings. In addition, for real-world scenes, they rely on a good initial point cloud to perform well. In this work, we rethink 3D Gaussians as random samples drawn from an underlying probability distribution describing the physical representation of the scene -- in other words, Markov Chain Monte Carlo (MCMC) samples. Under this view, we show that the 3D Gaussian updates are strikingly similar to a Stochastic Langevin Gradient Descent (SGLD) update. As with MCMC, samples are nothing but past visit locations, adding new Gaussians under our framework can simply be realized without heuristics as placing Gaussians at existing Gaussian locations. To encourage using fewer Gaussians for efficiency, we introduce an L1-regularizer on the Gaussians. On various standard evaluation scenes, we show that our method provides improved rendering quality, easy control over the number of Gaussians, and robustness to initialization.
Abstract（参考訳）: 3D Gaussian Splattingは最近、ニューラルレンダリングで人気になっているが、現在の手法は、常に一般化せず、品質の悪いレンダリングにつながる可能性のある、ガウス的配置のための、注意深く設計されたクローニングと分割戦略に依存している。さらに、現実世界のシーンでは、良いイニシャル・ポイント・クラウドに頼っています。本研究では,3次元ガウシアンを,シーンの物理的表現を記述する確率分布から引き出されたランダムなサンプルとして再考する。この視点では、3D Gaussian のアップデートは Stochastic Langevin Gradient Descent (SGLD) のアップデートと著しく似ている。 MCMCと同様に、サンプルは過去の訪問場所に過ぎず、我々のフレームワークの下に新しいガウスアンを追加することは、ガウスアンを既存のガウスの場所に配置するといったヒューリスティックなしに簡単に実現できる。より少ないガウスを効率よく活用するために、ガウスにL1正規化器を導入する。様々な標準的な評価シーンにおいて,本手法はレンダリング品質の向上,ガウス数の簡易制御,初期化に対する堅牢性などを実現する。

関連論文リスト

PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。提案手法は,様々な視点によく一般化した最先端性能を実現する。
論文参考訳（メタデータ） (2024-10-24T17:59:58Z)
Spiking GS: Towards High-Accuracy and Low-Cost Surface Reconstruction via Spiking Neuron-based Gaussian Splatting [41.33048562081358]
3Dガウシアン・スプレイティングは、数分で3Dシーンを再構築することができる。表面再構成精度の進歩にもかかわらず、再建された結果は依然としてバイアスを示し、保存とトレーニングの非効率さに悩まされている。本稿は,低効率部品の統合に起因する非効率性の原因と復元バイアスについて,異なる観察結果を提供する。
論文参考訳（メタデータ） (2024-10-09T01:39:26Z)
Dynamic Gaussian Marbles for Novel View Synthesis of Casual Monocular Videos [58.22272760132996]
既存の4次元ガウス法は単分子配置が制約されていないため、この設定で劇的に失敗することを示す。単分子配置の難易度を目標とした3つのコア修正からなる動的ガウス大理石を提案する。 Nvidia Dynamic ScenesデータセットとDyCheck iPhoneデータセットを評価し,Gaussian Marblesが他のGaussianベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2024-06-26T19:37:07Z)
Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。その可能性にもかかわらず、3DGSは針のようなアーティファクト、準最適ジオメトリー、不正確な正常など、課題に直面している。正規化として有効なランクを導入し、ガウスの構造を制約する。
論文参考訳（メタデータ） (2024-06-17T15:51:59Z)
GaussianForest: Hierarchical-Hybrid 3D Gaussian Splatting for Compressed Scene Modeling [40.743135560583816]
本稿では,ハイブリッド3Dガウスの森として景観を階層的に表現するガウス・フォレスト・モデリング・フレームワークを紹介する。実験により、ガウス・フォレストは同等の速度と品質を維持するだけでなく、圧縮速度が10倍を超えることが示されている。
論文参考訳（メタデータ） (2024-06-13T02:41:11Z)
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)
R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文参考訳（メタデータ） (2024-05-31T08:39:02Z)
GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
論文参考訳（メタデータ） (2024-02-22T16:00:20Z)
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)
SuGaR: Surface-Aligned Gaussian Splatting for Efficient 3D Mesh Reconstruction and High-Quality Mesh Rendering [24.91019554830571]
本稿では,3次元ガウス格子から高精度かつ極めて高速なメッシュ抽出を可能にする手法を提案する。しかし、これらのガウス人は最適化後に非組織化される傾向があるため、何百万もの小さな3Dガウスからメッシュを抽出することは困難である。
論文参考訳（メタデータ） (2023-11-21T18:38:03Z)
GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文参考訳（メタデータ） (2023-11-20T12:08:23Z)

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。