論文の概要: ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model
- arxiv url: http://arxiv.org/abs/2405.20721v1
- Date: Fri, 31 May 2024 09:23:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 14:57:18.160555
- Title: ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model
- Title（参考訳）: ContextGS:アンカーレベルコンテキストモデルによるコンパクトな3次元ガウス分割
- Authors: Yufei Wang, Zhihao Li, Lanqing Guo, Wenhan Yang, Alex C. Kot, Bihan Wen,
- Abstract要約: 我々は3DGS表現のアンカーレベルにコンテキストモデルを導入し,バニラ3DGSと比較して100倍以上のサイズの縮小を実現した。
我々の研究は3DGS表現のためのアンカーレベルのコンテキストモデルを開拓し、バニラ3DGSに比べて100倍以上、そして最新の最先端のScaffold-GSに比べて15倍の大幅なサイズ縮小を実現した。
- 参考スコア（独自算出の注目度）: 77.71796503321632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, 3D Gaussian Splatting (3DGS) has become a promising framework for novel view synthesis, offering fast rendering speeds and high fidelity. However, the large number of Gaussians and their associated attributes require effective compression techniques. Existing methods primarily compress neural Gaussians individually and independently, i.e., coding all the neural Gaussians at the same time, with little design for their interactions and spatial dependence. Inspired by the effectiveness of the context model in image compression, we propose the first autoregressive model at the anchor level for 3DGS compression in this work. We divide anchors into different levels and the anchors that are not coded yet can be predicted based on the already coded ones in all the coarser levels, leading to more accurate modeling and higher coding efficiency. To further improve the efficiency of entropy coding, e.g., to code the coarsest level with no already coded anchors, we propose to introduce a low-dimensional quantized feature as the hyperprior for each anchor, which can be effectively compressed. Our work pioneers the context model in the anchor level for 3DGS representation, yielding an impressive size reduction of over 100 times compared to vanilla 3DGS and 15 times compared to the most recent state-of-the-art work Scaffold-GS, while achieving comparable or even higher rendering quality.
- Abstract（参考訳）: 近年, 3D Gaussian Splatting (3DGS) は, 高速なレンダリング速度と高忠実度を実現する新しいビュー合成のフレームワークとして期待されている。
しかし、多数のガウスとその関連属性は効果的な圧縮技術を必要とする。
既存の方法は、主に個別に独立にニューラル・ガウスを圧縮する、すなわち全てのニューラル・ガウスを同時にコーディングする。
本研究では,画像圧縮における文脈モデルの有効性に着想を得て,3DGS圧縮のためのアンカーレベルにおける最初の自己回帰モデルを提案する。
我々はアンカーを異なるレベルに分割し、まだコーディングされていないアンカーは、すべての粗いレベルで既にコーディングされているアンカーに基づいて予測できるので、より正確なモデリングとより高いコーディング効率をもたらす。
エントロピー符号化の効率をさらに向上するために、例えば、アンカーを符号化していない粗いレベルを符号化するために、各アンカーのハイパープライヤとして低次元量子化機能を導入することを提案する。
我々の研究は3DGS表現のアンカーレベルのコンテキストモデルを開拓し、最新の最先端のScaffold-GSと比較して100倍以上のサイズ縮小を実現し、レンダリング品質も同等あるいはそれ以上に向上した。
関連論文リスト
- A Hierarchical Compression Technique for 3D Gaussian Splatting Compression [23.785131033155924]
3D Gaussian Splatting (GS) は、新規なビュー合成において優れたレンダリング品質と生成速度を示す。
現在の3D GS圧縮研究は主によりコンパクトなシーン表現の開発に焦点を当てている。
本稿では,このギャップに対処する階層型GS圧縮(HGSC)手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T13:34:24Z) - Fast Feedforward 3D Gaussian Splatting Compression [55.149325473447384]
3D Gaussian Splatting (FCGS) は、1つのフィードフォワードパスで3DGS表現を高速に圧縮できる最適化フリーモデルである。
FCGSは圧縮比を20倍以上に向上し、高精細度を維持しながら、ほとんどのシーン毎のSOTA最適化手法を上回ります。
論文 参考訳（メタデータ） (2024-10-10T15:13:08Z) - Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields [13.729716867839509]
ハイパフォーマンスを維持しつつガウスの数を著しく削減する学習可能なマスク戦略を提案する。
さらに、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） (2024-08-07T14:56:34Z) - LP-3DGS: Learning to Prune 3D Gaussian Splatting [71.97762528812187]
本稿では,トレーニング可能な2値マスクを重要度に応用し,最適プルーニング比を自動的に検出する3DGSを提案する。
実験の結果,LP-3DGSは効率と高品質の両面において良好なバランスを保っていることがわかった。
論文 参考訳（メタデータ） (2024-05-29T05:58:34Z) - CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。
我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。
実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
論文 参考訳（メタデータ） (2024-04-15T04:50:39Z) - HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳（メタデータ） (2024-03-21T16:28:58Z) - 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)
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。