論文の概要: A Hierarchical 3D Gaussian Representation for Real-Time Rendering of Very Large Datasets

• arxiv url: http://arxiv.org/abs/2406.12080v1
• Date: Mon, 17 Jun 2024 20:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 23:47:35.908436
• Title: A Hierarchical 3D Gaussian Representation for Real-Time Rendering of Very Large Datasets
• Title（参考訳）: 大規模データセットのリアルタイムレンダリングのための階層型3次元ガウス表現
• Authors: Bernhard Kerbl, Andréas Meuleman, Georgios Kopanas, Michael Wimmer, Alexandre Lanvin, George Drettakis,
• Abstract要約: 非常に大きなシーンの視覚的品質を保った3次元ガウスの階層構造を導入する。 遠隔コンテンツの効率的なレンダリングのための効率的なレベル・オブ・ディーテール(LOD)ソリューションを提供する。 単純で手頃な価格のリグで、最大数万の画像をキャプチャしたシーンの結果を示す。
• 参考スコア（独自算出の注目度）: 45.13531064740826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel view synthesis has seen major advances in recent years, with 3D Gaussian splatting offering an excellent level of visual quality, fast training and real-time rendering. However, the resources needed for training and rendering inevitably limit the size of the captured scenes that can be represented with good visual quality. We introduce a hierarchy of 3D Gaussians that preserves visual quality for very large scenes, while offering an efficient Level-of-Detail (LOD) solution for efficient rendering of distant content with effective level selection and smooth transitions between levels.We introduce a divide-and-conquer approach that allows us to train very large scenes in independent chunks. We consolidate the chunks into a hierarchy that can be optimized to further improve visual quality of Gaussians merged into intermediate nodes. Very large captures typically have sparse coverage of the scene, presenting many challenges to the original 3D Gaussian splatting training method; we adapt and regularize training to account for these issues. We present a complete solution, that enables real-time rendering of very large scenes and can adapt to available resources thanks to our LOD method. We show results for captured scenes with up to tens of thousands of images with a simple and affordable rig, covering trajectories of up to several kilometers and lasting up to one hour. Project Page: https://repo-sam.inria.fr/fungraph/hierarchical-3d-gaussians/
• Abstract（参考訳）: 新たなビュー合成は、視覚的品質、高速トレーニング、リアルタイムレンダリングに優れたレベルを提供する3Dガウススプラッティングによって、近年大きな進歩を遂げている。 しかし、トレーニングやレンダリングに必要なリソースは、必然的に、優れた視覚的品質で表現できるキャプチャされたシーンのサイズを制限します。 我々は,非常に大きなシーンの視覚的品質を保った3次元ガウスの階層構造を導入し,有効レベルの選択と階層間のスムーズな遷移を伴う遠隔コンテンツの効率的なレンダリングを行うための,効率的なレベル・オブ・ディーテール(LOD)ソリューションを提供する。 チャンクを階層に集約し、ガウスの視覚的品質をさらに改善し、中間ノードにマージする。 非常に大きなキャプチャは、通常、シーンの少ないカバレッジを持ち、元の3Dガウススプラッティング訓練法に多くの課題をもたらします。 我々は,非常に大きなシーンをリアルタイムにレンダリングし,LOD法により利用可能なリソースに適応できる,完全なソリューションを提案する。 単純で手頃な価格のリグで何万枚もの画像を撮影し、最大数キロの軌道をカバーし、最大1時間持続する。 Project Page: https://repo-sam.inria.fr/fungraph/hierarchical-3d-gaussians/

関連論文リスト

• CityGaussian: Real-time High-quality Large-Scale Scene Rendering with Gaussians [64.6687065215713]
  CityGaussianは、大規模な3DGSのトレーニングとレンダリングを効率化するために、新しい分別/分別トレーニングアプローチとLevel-of-Detail(LoD)戦略を採用している。 我々のアプローチは最先端のレンダリング品質を実現し、大規模なシーンを全く異なるスケールで一貫したリアルタイムレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-04-01T14:24:40Z)
• SWAG: Splatting in the Wild images with Appearance-conditioned Gaussians [2.2369578015657954]
  暗黙の神経表現法は、未構造化画像から3Dシーンを学習する際、顕著な進歩を見せている。 非教師的手法でシーンオブオーダの存在を対処するために、過渡的なガウシアンを訓練する新しいメカニズムを導入する。
  論文  参考訳（メタデータ） (2024-03-15T16:00:04Z)
• VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction [59.40711222096875]
  VastGaussianは3次元ガウススティングに基づく大規模シーンにおける高品質な再構成とリアルタイムレンダリングのための最初の方法である。 提案手法は既存のNeRF手法より優れており,複数の大規模シーンデータセットの最先端結果が得られる。
  論文  参考訳（メタデータ） (2024-02-27T11:40:50Z)
• EAGLES: Efficient Accelerated 3D Gaussians with Lightweight EncodingS [40.94643885302646]
  3Dガウシアンスプラッティング(3D-GS)は、ノベルビューシーンの合成で人気がある。 レイディアンス・ニューラル・フィールド(NeRF)に関連する長いトレーニング時間と遅いレンダリング速度の課題に対処する。 本稿では,メモリ単位の記憶容量を大幅に削減するために,量子化埋め込みを利用する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:59:55Z)
• BerfScene: Bev-conditioned Equivariant Radiance Fields for Infinite 3D Scene Generation [96.58789785954409]
  本研究では,同変放射場と鳥眼視図のガイダンスを組み込んだ実用的で効率的な3次元表現を提案する。 局所的なシーンを合成し、スムーズな一貫性で縫い合わせることで、大規模で無限スケールの3Dシーンを作ります。
  論文  参考訳（メタデータ） (2023-12-04T18:56:10Z)
• Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering [71.44349029439944]
  最近の3次元ガウス散乱法は、最先端のレンダリング品質と速度を達成している。 局所的な3Dガウス分布にアンカーポイントを用いるScaffold-GSを導入する。 提案手法は,高品質なレンダリングを実現しつつ,冗長なガウスを効果的に削減できることを示す。
  論文  参考訳（メタデータ） (2023-11-30T17:58:57Z)
• HQ3DAvatar: High Quality Controllable 3D Head Avatar [65.70885416855782]
  本稿では,高フォトリアリスティックなデジタルヘッドアバターを構築するための新しいアプローチを提案する。 本手法はニューラルネットワークによってパラメータ化された暗黙関数を用いて標準空間を学習する。 テスト時,本手法は単眼のRGBビデオによって駆動される。
  論文  参考訳（メタデータ） (2023-03-25T13:56:33Z)

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。