論文の概要: Trick-GS: A Balanced Bag of Tricks for Efficient Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2501.14534v1
• Date: Fri, 24 Jan 2025 14:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:48.938301
• Title: Trick-GS: A Balanced Bag of Tricks for Efficient Gaussian Splatting
• Title（参考訳）: Trick-GS:効率的なガウス鋳型のためのバランスの取れた袋
• Authors: Anil Armagan, Albert Saà-Garriga, Bruno Manganelli, Mateusz Nowak, Mehmet Kerim Yucel,
• Abstract要約: 3次元再構成のためのガウススプラッティング (GS) は, 高速な訓練, 推論速度, 高品質な再構成により, 非常に人気がある。 しかし、GSベースの再構築は一般的に何百万人ものガウシアンで構成されており、スマートフォンのような計算に制約のあるデバイスでの使用は困難である。 Trick-GSは、より高速で、より小さく、より高速なモデルの収束が最大の懸念事項である、リソース制約付きGSに向けて大きな一歩を踏み出した。
• 参考スコア（独自算出の注目度）: 4.11274012475378
• License:
• Abstract: Gaussian splatting (GS) for 3D reconstruction has become quite popular due to their fast training, inference speeds and high quality reconstruction. However, GS-based reconstructions generally consist of millions of Gaussians, which makes them hard to use on computationally constrained devices such as smartphones. In this paper, we first propose a principled analysis of advances in efficient GS methods. Then, we propose Trick-GS, which is a careful combination of several strategies including (1) progressive training with resolution, noise and Gaussian scales, (2) learning to prune and mask primitives and SH bands by their significance, and (3) accelerated GS training framework. Trick-GS takes a large step towards resource-constrained GS, where faster run-time, smaller and faster-convergence of models is of paramount concern. Our results on three datasets show that Trick-GS achieves up to 2x faster training, 40x smaller disk size and 2x faster rendering speed compared to vanilla GS, while having comparable accuracy.
• Abstract（参考訳）: 3次元再構成のためのガウススプラッティング (GS) は, 高速な訓練, 推論速度, 高品質な再構成により, 非常に人気がある。 しかし、GSベースの再構築は一般的に何百万人ものガウシアンで構成されており、スマートフォンのような計算に制約のあるデバイスでの使用は困難である。 本稿ではまず,効率的なGS手法の進歩を原理的に分析する。 そこで我々は,(1)分解能,雑音,ガウススケールによるプログレッシブトレーニング,(2)プリミティブやSHバンドのプーンとマスクの学習,(3)高速化されたGSトレーニングフレームワークなど,いくつかの戦略を慎重に組み合わせたTrick-GSを提案する。 Trick-GSは、より高速で、より小さく、より高速なモデルの収束が最大の懸念事項である、リソース制約付きGSに向けて大きな一歩を踏み出した。 3つのデータセットの結果から,Trick-GSのトレーニングは最大で2倍,ディスクサイズは40倍,レンダリング速度はバニラGSに比べて2倍,精度は同等であった。

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)
• 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)
• 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)
• DOGS: Distributed-Oriented Gaussian Splatting for Large-Scale 3D Reconstruction Via Gaussian Consensus [56.45194233357833]
  3DGSを分散訓練するDoGaussianを提案する。 大規模シーンで評価すると,3DGSのトレーニングを6回以上高速化する。
  論文  参考訳（メタデータ） (2024-05-22T19:17:58Z)
• 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)
• 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)

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。