論文の概要: Spiking GS: Towards High-Accuracy and Low-Cost Surface Reconstruction via Spiking Neuron-based Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2410.07266v5
• Date: Tue, 03 Dec 2024 12:41:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:39:02.934577
• Title: Spiking GS: Towards High-Accuracy and Low-Cost Surface Reconstruction via Spiking Neuron-based Gaussian Splatting
• Title（参考訳）: スパイキングGS:スパイキングニューロンを用いたガウススプラッティングによる高精度・低コスト表面再構成を目指して
• Authors: Weixing Zhang, Zongrui Li, De Ma, Huajin Tang, Xudong Jiang, Qian Zheng, Gang Pan,
• Abstract要約: 3Dガウシアン・スプレイティングは、数分で3Dシーンを再構築することができる。 表面再構成精度の進歩にもかかわらず、再建された結果は依然としてバイアスを示し、保存とトレーニングの非効率さに悩まされている。 本稿は,低効率部品の統合に起因する非効率性の原因と復元バイアスについて,異なる観察結果を提供する。
• 参考スコア（独自算出の注目度）: 41.33048562081358
• License:
• Abstract: 3D Gaussian Splatting is capable of reconstructing 3D scenes in minutes. Despite recent advances in improving surface reconstruction accuracy, the reconstructed results still exhibit bias and suffer from inefficiency in storage and training. This paper provides a different observation on the cause of the inefficiency and the reconstruction bias, which is attributed to the integration of the low-opacity parts (LOPs) of the generated Gaussians. We show that LOPs consist of Gaussians with overall low-opacity (LOGs) and the low-opacity tails (LOTs) of Gaussians. We propose Spiking GS to reduce such two types of LOPs by integrating spiking neurons into the Gaussian Splatting pipeline. Specifically, we introduce global and local full-precision integrate-and-fire spiking neurons to the opacity and representation function of flattened 3D Gaussians, respectively. Furthermore, we enhance the density control strategy with spiking neurons' thresholds and a new criterion on the scale of Gaussians. Our method can represent more accurate reconstructed surfaces at a lower cost. The supplementary material and code are available at https://github.com/zju-bmi-lab/SpikingGS.
• Abstract（参考訳）: 3Dガウシアン・スプレイティングは、数分で3Dシーンを再構築することができる。 近年, 表面の復元精度の向上が進んでいるが, 再建された結果にはまだバイアスがみられ, 保存・訓練の非効率さに悩まされている。 本稿では, ガウスの低オプティシティ部分 (LOP) の統合に起因する非効率性の原因と復元バイアスについて, 異なる考察を行った。 LOPはガウスの全体的低オプティシティ(LOG)と低オプティシティテール(LOT)から構成されていることを示す。 我々は、スパイキングニューロンをガウススプラッティングパイプラインに統合することにより、そのような2種類のLOPを減らすためのスパイキングGSを提案する。 具体的には, 平坦な3次元ガウス空間における不透明度と表現機能に対して, 局所的および局所的な完全精度統合発火ニューロンを導入する。 さらに、スパイクニューロンの閾値とガウスのスケールに関する新しい基準により密度制御戦略を強化する。 本手法はより高精度な再構成面を低コストで表現することができる。 追加資料とコードはhttps://github.com/zju-bmi-lab/SpikingGS.comで公開されている。

関連論文リスト

• GaussianSpa: An "Optimizing-Sparsifying" Simplification Framework for Compact and High-Quality 3D Gaussian Splatting [12.342660713851227]
  3D Gaussian Splatting (3DGS) は、ガウス関数の連続的な集合を利用して、新しいビュー合成の主流として登場した。 3DGSは、ガウシアンの多さを記憶するためのかなりのメモリ要件に悩まされており、その実用性を妨げている。 コンパクトで高品質な3DGSのための最適化ベースの単純化フレームワークであるGaussianSpaを紹介する。
  論文  参考訳（メタデータ） (2024-11-09T00:38:06Z)
• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
  Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。 本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
  論文  参考訳（メタデータ） (2024-06-03T15:56:58Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)
• NeuSG: Neural Implicit Surface Reconstruction with 3D Gaussian Splatting Guidance [59.08521048003009]
  本稿では,3次元ガウススプラッティングから高精細な表面を復元する神経暗黙的表面再構成パイプラインを提案する。 3Dガウススプラッティングの利点は、詳細な構造を持つ高密度の点雲を生成することができることである。 我々は3次元ガウスを極端に薄くすることで、表面に近い中心を引っ張るスケール正則化器を導入する。
  論文  参考訳（メタデータ） (2023-12-01T07:04:47Z)
• GaussianShader: 3D Gaussian Splatting with Shading Functions for Reflective Surfaces [45.15827491185572]
  反射面を持つシーンにおけるニューラルレンダリングを強化するために, 簡易シェーディング機能を3次元ガウスに応用する新しい手法を提案する。 実験の結果、ガウシアンシェーダーは効率と視覚的品質の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） (2023-11-29T17:22:26Z)

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。