論文の概要: 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt
- arxiv url: http://arxiv.org/abs/2409.12892v1
- Date: Thu, 19 Sep 2024 16:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 12:59:09.672127
- Title: 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt
- Title（参考訳）: 3DGS-LM: Levenberg-Marquardtによるより高速なガウス格子最適化
- Authors: Lukas Höllein, Aljaž Božič, Michael Zollhöfer, Matthias Nießner,
- Abstract要約: 3DGS-LM, 3D Gaussian Splatting(3DGS)の再構築を高速化する新しい手法を提案する。
提案手法は元の3DGSよりも30%高速で, 再現品質の最適化が可能である。
- 参考スコア（独自算出の注目度）: 65.25603275491544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present 3DGS-LM, a new method that accelerates the reconstruction of 3D Gaussian Splatting (3DGS) by replacing its ADAM optimizer with a tailored Levenberg-Marquardt (LM). Existing methods reduce the optimization time by decreasing the number of Gaussians or by improving the implementation of the differentiable rasterizer. However, they still rely on the ADAM optimizer to fit Gaussian parameters of a scene in thousands of iterations, which can take up to an hour. To this end, we change the optimizer to LM that runs in conjunction with the 3DGS differentiable rasterizer. For efficient GPU parallization, we propose a caching data structure for intermediate gradients that allows us to efficiently calculate Jacobian-vector products in custom CUDA kernels. In every LM iteration, we calculate update directions from multiple image subsets using these kernels and combine them in a weighted mean. Overall, our method is 30% faster than the original 3DGS while obtaining the same reconstruction quality. Our optimization is also agnostic to other methods that acclerate 3DGS, thus enabling even faster speedups compared to vanilla 3DGS.
- Abstract（参考訳）: 本稿では,ADAMオプティマイザをLevenberg-Marquardt (LM) に置き換えることで,3Dガウス版3DGSの再構築を高速化する新しい手法である3DGS-LMを提案する。
既存の手法はガウスの数を減らしたり、異なるラスタライザの実装を改善することで最適化時間を短縮する。
しかし、数千回のイテレーションでシーンのガウスパラメータを適合させるためにADAMオプティマイザを使っているため、最大1時間かかる。
この目的のために、3DGS微分ラスタライザとともに動作するLMにオプティマイザを変更する。
本稿では,GPUの並列化を効率的に行うため,中間勾配のキャッシュデータ構造を提案し,カスタムCUDAカーネルのヤコビアンベクトル積を効率的に計算する。
各LMイテレーションにおいて、これらのカーネルを用いて複数の画像サブセットから更新方向を計算し、重み付け平均で組み合わせる。
また,本手法は従来の3DGSよりも30%高速であり,再現性は同じであった。
我々の最適化は、3DGSを高速化する他の方法にも依存せず、バニラ3DGSよりも高速なスピードアップを可能にします。
関連論文リスト
- FlashSplat: 2D to 3D Gaussian Splatting Segmentation Solved Optimally [66.28517576128381]
本研究は,2次元マスクから3次元ガウススプラッティングを正確に分割することの課題に対処する。
3D-GSセグメンテーションのための単純かつグローバルな最適解法を提案する。
私たちのメソッドは30秒以内で完了します。
論文 参考訳（メタデータ） (2024-09-12T17:58:13Z) - 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) - MicroDreamer: Efficient 3D Generation in $\sim$20 Seconds by Score-based Iterative Reconstruction [37.07128043394227]
本稿では,NFEの削減のために,異なる3次元再構成過程を模倣した効率的かつ汎用的なアルゴリズムであるスコアベース反復再構成(SIR)を提案する。
我々は,様々な3次元表現や3次元生成タスクに適用可能な,MicroDreamerと呼ばれる効率的な手法を提案する。
論文 参考訳（メタデータ） (2024-04-30T12:56:14Z) - GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。
本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。
提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
論文 参考訳（メタデータ） (2024-02-22T16:00:20Z) - GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。
提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z) - GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。
提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。
提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文 参考訳（メタデータ） (2023-11-20T12:08:23Z)
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。