Fugu-MT 論文翻訳(概要): A Benchmark for Gaussian Splatting Compression and Quality Assessment Study

論文の概要: A Benchmark for Gaussian Splatting Compression and Quality Assessment Study

arxiv url: http://arxiv.org/abs/2407.14197v1
Date: Fri, 19 Jul 2024 10:49:07 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 17:54:18.926350
Title: A Benchmark for Gaussian Splatting Compression and Quality Assessment Study
Title（参考訳）: ガウス平滑化圧縮と品質評価のためのベンチマーク
Authors: Qi Yang, Kaifa Yang, Yuke Xing, Yiling Xu, Zhu Li,
Abstract要約: まず、グラフベース圧縮(GGSC)と呼ばれる、単純で効果的なデータ圧縮アンカーを提案する。 GGSCはグラフ信号処理理論にインスパイアされ、2つの分岐を使って原始中心と属性を圧縮する。 GGSSは従来のGS圧縮を探求する最初の研究であり、典型的な圧縮操作に対応するGS歪み特性を明らかにする利点がある。
参考スコア（独自算出の注目度）: 16.995549853958998
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To fill the gap of traditional GS compression method, in this paper, we first propose a simple and effective GS data compression anchor called Graph-based GS Compression (GGSC). GGSC is inspired by graph signal processing theory and uses two branches to compress the primitive center and attributes. We split the whole GS sample via KDTree and clip the high-frequency components after the graph Fourier transform. Followed by quantization, G-PCC and adaptive arithmetic coding are used to compress the primitive center and attribute residual matrix to generate the bitrate file. GGSS is the first work to explore traditional GS compression, with advantages that can reveal the GS distortion characteristics corresponding to typical compression operation, such as high-frequency clipping and quantization. Second, based on GGSC, we create a GS Quality Assessment dataset (GSQA) with 120 samples. A subjective experiment is conducted in a laboratory environment to collect subjective scores after rendering GS into Processed Video Sequences (PVS). We analyze the characteristics of different GS distortions based on Mean Opinion Scores (MOS), demonstrating the sensitivity of different attributes distortion to visual quality. The GGSC code and the dataset, including GS samples, MOS, and PVS, are made publicly available at https://github.com/Qi-Yangsjtu/GGSC.
Abstract（参考訳）: 本稿では,従来のGS圧縮手法のギャップを埋めるために,グラフベースGS圧縮(GGSC)と呼ばれる簡易かつ効果的なGSデータ圧縮アンカーを提案する。 GGSCはグラフ信号処理理論にインスパイアされ、2つの分岐を使って原始中心と属性を圧縮する。 KDTreeを介して全GSサンプルを分割し、グラフフーリエ変換後に高周波成分をクリップする。量子化に追従して、G-PCCと適応算術符号を用いてプリミティブ中心と属性残差行列を圧縮し、ビットレートファイルを生成する。 GGSSは従来のGS圧縮を探求する最初の研究であり、高周波クリッピングや量子化などの典型的な圧縮操作に対応するGS歪み特性を明らかにする利点がある。第2に,GGSCに基づいて,120個のサンプルを用いたGSQAデータセットを作成する。実験室環境で主観的な実験を行い、GSをPVS(Processed Video Sequences)にレンダリングした後、主観的なスコアを収集する。平均オピニオンスコア(MOS)に基づいて異なるGS歪みの特性を解析し、異なる属性歪みの視覚的品質に対する感受性を示す。 GGSCコードとGSサンプル、MOS、PVSを含むデータセットはhttps://github.com/Qi-Yangsjtu/GGSCで公開されている。

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)
Performance of Gaussian Mixture Model Classifiers on Embedded Feature Spaces [1.3241991482253108]
CLIPとImageBindによるデータ埋め込みは、マルチメディアおよび/またはマルチモーダルデータの分析に強力な機能を提供する。本稿では,Gaussian Mixture Model (GMM) ベースの層を標準のSoftmaxレイヤの代替として利用して,それらの性能を分類するために評価する。その結果,GMMの1つのガウス成分が各クラスを捕捉するのに十分である場合が多く,これらの組込み空間の訓練に使用される対照的な損失が原因である可能性が示唆された。
論文参考訳（メタデータ） (2024-10-17T10:43:43Z)
GS-Net: Generalizable Plug-and-Play 3D Gaussian Splatting Module [19.97023389064118]
粗いSfM点雲からガウス楕円体を密度化する3DGSモジュールであるGS-Netを提案する。実験により、GS-Netを3DGSに適用すると、従来の視点では2.08dB、新しい視点では1.86dBのPSNR改善が得られることが示された。
論文参考訳（メタデータ） (2024-09-17T16:03:19Z)
SPAC: Sampling-based Progressive Attribute Compression for Dense Point Clouds [51.313922535437726]
本研究では,高密度点雲のエンドツーエンド圧縮法を提案する。提案手法は,周波数サンプリングモジュール,適応スケール特徴抽出モジュール,幾何支援モジュール,大域的ハイパープライアエントロピーモデルを組み合わせた。
論文参考訳（メタデータ） (2024-09-16T13:59:43Z)
ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文参考訳（メタデータ） (2024-08-20T14:49:14Z)
AGS-GNN: Attribute-guided Sampling for Graph Neural Networks [2.826156508228215]
グラフニューラルネットワーク(GNN)のための新しい属性誘導サンプリングアルゴリズムであるAGS-GNNを提案する。 AGS-GNNはグラフのノードの特徴と接続構造を利用して、グラフのホモフィリーとヘテロフィリーの両方に同時に適応する。 AGS-GNNは、ノード分類のためのグラフ全体を用いて、最も優れたヘテロ親和性GNNに匹敵するテスト精度を達成している。
論文参考訳（メタデータ） (2024-05-24T05:15:46Z)
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)
Task-Oriented GNNs Training on Large Knowledge Graphs for Accurate and Efficient Modeling [5.460112864687281]
本稿では,大規模知識グラフ(KG)を用いたタスク指向HGNN学習におけるTOSG抽出の自動化手法であるKG-TOSAを提案する。 KG-TOSAは、最新のHGNN手法により、トレーニング時間とメモリ使用量を最大70%削減し、精度や推論時間などのモデル性能を向上させる。
論文参考訳（メタデータ） (2024-03-09T01:17:26Z)
Transforming Visual Scene Graphs to Image Captions [69.13204024990672]
我々は、Scene Graphs (TSG) をより説明的なキャプションに変換することを提案する。 TSGでは、シーングラフの埋め込みのためのグラフニューラルネットワーク(GNN)の設計にマルチヘッドアテンション(MHA)を適用している。 TSGでは、各専門家はMHAに基づいてグラフ埋め込みを識別し、異なる種類の単語を生成する。
論文参考訳（メタデータ） (2023-05-03T15:18:37Z)
Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文参考訳（メタデータ） (2022-03-18T09:14:13Z)
Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
論文参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。