論文の概要: Improving Gaussian Splatting with Localized Points Management
- arxiv url: http://arxiv.org/abs/2406.04251v3
- Date: Sat, 19 Apr 2025 20:49:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 13:49:04.453426
- Title: Improving Gaussian Splatting with Localized Points Management
- Title（参考訳）: 局所点管理によるガウス分割の改良
- 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両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。
LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。
特に、LPMは静的3DGSとダイナミックな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 critical for optimizing 3D Gaussian Splatting models, as point initiation (e.g., via structure from motion) is often distributionally inappropriate. Typically, Adaptive Density Control (ADC) algorithm is adopted, leveraging view-averaged gradient magnitude thresholding for point densification, opacity thresholding for pruning, and regular all-points opacity reset. We reveal that this strategy is limited in tackling intricate/special image regions (e.g., transparent) due to inability of identifying all 3D zones requiring point densification, and lacking an appropriate mechanism to handle ill-conditioned points with negative impacts (e.g., 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 greatest need for both point addition and geometry calibration. Zone identification is achieved by leveraging the underlying multiview geometry constraints, subject to image rendering errors. We apply point densification in the identified zones and then reset the opacity of the points in front of these regions, creating a new opportunity to correct poorly conditioned points. Serving as a versatile plugin, LPM can be seamlessly integrated into existing static 3D and dynamic 4D Gaussian Splatting models with minimal additional cost. Experimental evaluations validate the efficacy of our LPM in boosting a variety of existing 3D/4D models both quantitatively and qualitatively. Notably, LPM improves both static 3DGS and dynamic SpaceTimeGS to achieve state-of-the-art rendering quality while retaining real-time speeds, excelling on challenging datasets such as Tanks & Temples and the Neural 3D Video dataset.
- Abstract（参考訳）: 点管理は3次元ガウススプティングモデルを最適化するために重要であり、点開始(例えば、運動の構造を通して)はしばしば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)アルゴリズムが採用され、点密度化やプルーニングにおける不透明度・不透明度・正則な全点不透明度・リセットに平均勾配度しきい値を利用する。
この戦略は, 点密度を必要とする3次元領域を識別できないこと, 負の影響(例えば, 偽高不透明性による隠蔽)を負の条件で扱うための適切な機構が欠如していることから, 複雑な画像領域(例えば, 透明)に対処する上で限界があることが判明した。
これらの制約に対処するため,位置加算と幾何キャリブレーションの両方を最大限に必要とせずに,これらの誤り貢献ゾーンを識別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対象となる、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。
特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、条件の悪い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し、LPMは最小のコストで既存の静的3Dおよび動的4Dガウススプラッティングモデルにシームレスに統合できる。
実験により, LPMが既存の3D/4Dモデルを定量的に, 定性的に増強する効果を検証した。
特に、LPMは静的な3DGSとダイナミックな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データセットといった挑戦的なデータセットに優れています。
関連論文リスト
- GSplatLoc: Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization [1.4466437171584356]
軽量なXFeat特徴抽出器から高密度かつ堅牢なキーポイント記述器を3DGSに統合する2段階の手順を提案する。
第2段階では、レンダリングベースの光度ワープ損失を最小限に抑え、初期ポーズ推定を洗練させる。
広く使われている屋内および屋外データセットのベンチマークは、最近のニューラルレンダリングベースのローカライゼーション手法よりも改善されていることを示している。
論文 参考訳（メタデータ） (2024-09-24T23:18:32Z) - 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。