論文の概要: Gaussian Splatting with Localized Points Management

• arxiv url: http://arxiv.org/abs/2406.04251v2
• Date: Thu, 13 Jun 2024 16:28:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 22:46:45.057182
• Title: Gaussian Splatting with Localized Points Management
• Title（参考訳）: 局所的点管理によるガウススプラッティング
• Authors: Haosen Yang, Chenhao Zhang, Wenqing Wang, Marco Volino, Adrian Hilton, Li Zhang, Xiatian Zhu,
• Abstract要約: 局所的点管理(LPM)は、点加算と幾何校正の双方の最も高い需要において、これらの誤り貢献ゾーンを特定することができる。 LPMは特定ゾーンに点密度を適用し、これらの領域の前に位置する点の不透明度をリセットし、不条件点を補正する新たな機会を創出する。 特に、LPMはバニラ3DGSとSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
• 参考スコア（独自算出の注目度）: 52.009874685460694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point management is a critical component in optimizing 3D Gaussian Splatting (3DGS) models, as the point initiation (e.g., via structure from motion) is distributionally inappropriate. Typically, the Adaptive Density Control (ADC) algorithm is applied, leveraging view-averaged gradient magnitude thresholding for point densification, opacity thresholding for pruning, and regular all-points opacity reset. However, we reveal that this strategy is limited in tackling intricate/special image regions (e.g., transparent) as it is unable to identify all the 3D zones that require point densification, and lacking an appropriate mechanism to handle the ill-conditioned points with negative impacts (occlusion due to false high opacity). To address these limitations, we propose a Localized Point Management (LPM) strategy, capable of identifying those error-contributing zones in the highest demand for both point addition and geometry calibration. Zone identification is achieved by leveraging the underlying multiview geometry constraints, with the guidance of image rendering errors. We apply point densification in the identified zone, whilst resetting the opacity of those points residing in front of these regions so that a new opportunity is created to correct ill-conditioned points. Serving as a versatile plugin, LPM can be seamlessly integrated into existing 3D Gaussian Splatting models. Experimental evaluation across both static 3D and dynamic 4D scenes validate the efficacy of our LPM strategy in boosting a variety of existing 3DGS models both quantitatively and qualitatively. Notably, LPM improves both vanilla 3DGS and SpaceTimeGS to achieve state-of-the-art rendering quality while retaining real-time speeds, outperforming on challenging datasets such as Tanks & Temples and the Neural 3D Video Dataset.
• Abstract（参考訳）: 点管理は3Dガウススプラッティング(3DGS)モデルを最適化する上で重要な要素であり、点開始(例えば、動きからの構造を通して)は分布的に不適切である。 通常、アダプティブ・デシデント・コントロール (ADC) アルゴリズムが適用され、点密度化、プルーニングのための不透明度閾値設定、および通常の全点不透明度リセットに平均勾配度しきい値を用いた。 しかし、この戦略は、点密度を必要とする全ての3次元領域を識別できないため、複雑な画像領域(例えば、透明な画像領域)への対処に限られており、悪条件の点を負の影響(偽高不透明性による排除)で扱うための適切なメカニズムが欠如していることが判明した。 これらの制約に対処するため,我々は,点加算と幾何校正の双方において,これらの誤り貢献ゾーンを最も高い需要で特定できる局所的点管理(LPM)戦略を提案する。 ゾーン識別は、画像レンダリングエラーのガイダンスを用いて、基礎となるマルチビュー幾何学的制約を活用することで達成される。 特定された領域に点密度を適用し、これらの領域の前に位置する点の不透明度をリセットし、不条件点を補正する新たな機会を創出する。 汎用的なプラグインとして機能するLPMは、既存の3Dガウススプラッティングモデルにシームレスに統合することができる。 静的3Dシーンと動的4Dシーンの両方で実験的に評価し,LPM戦略の有効性を定量的および定性的に評価した。 特に、LPMはバニラ3DGSとSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現し、Thants & TemplesやNeural 3D Video Datasetといった挑戦的なデータセットよりも優れたパフォーマンスを実現している。

関連論文リスト

• TraIL-Det: Transformation-Invariant Local Feature Networks for 3D LiDAR Object Detection with Unsupervised Pre-Training [21.56675189346088]
  本稿では変換不変ローカル(TraIL)機能と関連するTraIL-Detアーキテクチャを紹介する。 TraILの特徴は、厳密な変換不変性を示し、点密度の変動に効果的に適応する。 彼らはLiDARの固有の等方性放射を利用して局所的な表現を強化する。 提案手法は,KITTI上のmAPを用いて,現代自己監督型3次元物体検出手法より優れている。
  論文  参考訳（メタデータ） (2024-08-25T17:59:17Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• Revising Densification in Gaussian Splatting [23.037676471903215]
  本稿では,3DGSにおける密度制御のための画素エラー駆動型定式化について述べる。 我々のアプローチは、メソッドの効率を犠牲にすることなく、様々なベンチマークシーンで一貫した品質改善をもたらす。
  論文  参考訳（メタデータ） (2024-04-09T08:20:37Z)
• Experimental 3D super-localization with Laguerre-Gaussian modes [22.67311839285875]
  本研究では、ラゲール・ガウスモード(LG)の究極の3次元局所化限界とその重ね合わせを厳密に導出する。 以上の結果から,LGモードの3次元超局所化を実現するために必要な情報の大部分は,実現可能な強度検出によって得られることが明らかとなった。 現実的な収差が存在する場合、アルゴリズムはクラム・ラオの下界をしっかりと達成する。
  論文  参考訳（メタデータ） (2023-12-18T09:19:20Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
  大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。 そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。 提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
  論文  参考訳（メタデータ） (2020-11-19T18:53:11Z)

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。