論文の概要: HEMGS: A Hybrid Entropy Model for 3D Gaussian Splatting Data Compression

• arxiv url: http://arxiv.org/abs/2411.18473v2
• Date: Tue, 22 Apr 2025 13:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-23 19:51:40.156846
• Title: HEMGS: A Hybrid Entropy Model for 3D Gaussian Splatting Data Compression
• Title（参考訳）: HEMGS:3次元ガウス散乱データ圧縮のためのハイブリッドエントロピーモデル
• Authors: Lei Liu, Zhenghao Chen, Wei Jiang, Wei Wang, Dong Xu,
• Abstract要約: 本稿では,3次元ガウススプラッティング(HEMGS)のためのハイブリッドエントロピーモデルを提案する。 変数レート予測器、ハイパープライアネットワーク、自動回帰ネットワークの3つの主要コンポーネントで構成されている。 HEMGSは、ベースラインメソッドのレンダリング品質を維持しながら、約40%のサイズ削減を実現している。
• 参考スコア（独自算出の注目度）: 25.820461699307042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a novel compression framework for 3D Gaussian Splatting (3DGS) data. Building on anchor-based 3DGS methodologies, our approach compresses all attributes within each anchor by introducing a novel Hybrid Entropy Model for 3D Gaussian Splatting (HEMGS) to achieve hybrid lossy-lossless compression. It consists of three main components: a variable-rate predictor, a hyperprior network, and an autoregressive network. First, unlike previous methods that adopt multiple models to achieve multi-rate lossy compression, thereby increasing training overhead, our variable-rate predictor enables variable-rate compression with a single model and a hyperparameter $\lambda$ by producing a learned Quantization Step feature for versatile lossy compression. Second, to improve lossless compression, the hyperprior network captures both scene-agnostic and scene-specific features to generate a prior feature, while the autoregressive network employs an adaptive context selection algorithm with flexible receptive fields to produce a contextual feature. By integrating these two features, HEMGS can accurately estimate the distribution of the current coding element within each attribute, enabling improved entropy coding and reduced storage. We integrate HEMGS into a compression framework, and experimental results on four benchmarks indicate that HEMGS achieves about a 40% average reduction in size while maintaining rendering quality over baseline methods and achieving state-of-the-art compression results.
• Abstract（参考訳）: 本研究では,3次元ガウス散乱(3DGS)データに対する新しい圧縮フレームワークを提案する。 提案手法は,3次元ガウススプラッティング(HEMGS)のための新しいハイブリッドエントロピーモデルを導入することにより,各アンカー内のすべての属性を圧縮し,ハイブリッド損失ロスレス圧縮を実現する。 変数レート予測器、ハイパープライアネットワーク、自動回帰ネットワークの3つの主要コンポーネントで構成されている。 まず、マルチレートのロッキー圧縮を実現するために複数のモデルを採用した従来の方法とは異なり、可変レート予測器は、多目的なロッキー圧縮のための学習量子化ステップ機能を生成し、単一のモデルとハイパーパラメータ$\lambda$で可変レート圧縮を可能にする。 第二に、損失のない圧縮を改善するために、ハイパープライアネットワークはシーンに依存しない特徴とシーン固有の特徴の両方をキャプチャして先行特徴を生成する一方、自己回帰ネットワークは柔軟な受容フィールドを持つ適応文脈選択アルゴリズムを用いてコンテキスト特徴を生成する。 これらの2つの特徴を統合することで、HEMGSは各属性内の現在の符号化要素の分布を正確に推定し、エントロピー符号化の改善とストレージの削減を可能にする。 我々はHEMGSを圧縮フレームワークに統合し、4つのベンチマークで実験した結果、HEMGSはベースライン法よりもレンダリング品質を保ちながら、平均的なサイズ削減を約40%達成し、最先端の圧縮結果を達成することが示された。

関連論文リスト

• CompGS++: Compressed Gaussian Splatting for Static and Dynamic Scene Representation [60.712165339762116]
  CompGS++はコンパクトガウスプリミティブを活用して正確な3Dモデリングを実現する新しいフレームワークである。 私たちの設計は、プリミティブ間の冗長性をなくすという原則に基づいている。 私たちの実装は、さらなる研究を促進するためにGitHubで公開されます。
  論文  参考訳（メタデータ） (2025-04-17T15:33:01Z)
• Enhancing 3D Gaussian Splatting Compression via Spatial Condition-based Prediction [24.061525432639943]
  我々は、ビットレートを効果的に低減するために、アンカーベースガウス表現に予測手法を導入する。 私たちのフレームワークは依然として24.22%のビットレートの節約を実現しています。
  論文  参考訳（メタデータ） (2025-03-30T06:41:43Z)
• GoDe: Gaussians on Demand for Progressive Level of Detail and Scalable Compression [13.616981296093932]
  本稿では,ガウスを複数の階層構造に整理する,新しいモデルに依存しない手法を提案する。 この手法は最近の3DGSの圧縮手法と組み合わせて、単一のモデルで複数の圧縮比を瞬時にスケールすることができる。 典型的なデータセットやベンチマークに対するアプローチを検証し、スケーラビリティと適応性の観点から、低歪みと実質的な利得を示す。
  論文  参考訳（メタデータ） (2025-01-23T11:05:45Z)
• 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)
• Fast Feedforward 3D Gaussian Splatting Compression [55.149325473447384]
  3D Gaussian Splatting (FCGS) は、1つのフィードフォワードパスで3DGS表現を高速に圧縮できる最適化フリーモデルである。 FCGSは圧縮比を20倍以上に向上し、高精細度を維持しながら、ほとんどのシーン毎のSOTA最適化手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-10T15:13:08Z)
• ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model [77.71796503321632]
  我々は3DGS表現のアンカーレベルにコンテキストモデルを導入し,バニラ3DGSと比較して100倍以上のサイズの縮小を実現した。 我々の研究は3DGS表現のためのアンカーレベルのコンテキストモデルを開拓し、バニラ3DGSに比べて100倍以上、そして最新の最先端のScaffold-GSに比べて15倍の大幅なサイズ縮小を実現した。
  論文  参考訳（メタデータ） (2024-05-31T09:23:39Z)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)
• 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)
• GAN Slimming: All-in-One GAN Compression by A Unified Optimization Framework [94.26938614206689]
  本稿では,GANスライミング(GAN Slimming)と呼ばれる,GAN圧縮のための複数の圧縮手段を組み合わせた最初の統一最適化フレームワークを提案する。 我々はGSを用いて、最先端のトランスファーネットワークであるCartoonGANを最大47倍圧縮し、視覚的品質を最小限に抑える。
  論文  参考訳（メタデータ） (2020-08-25T14:39:42Z)

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。