論文の概要: LiteGS: A High-Performance Modular Framework for Gaussian Splatting Training

• arxiv url: http://arxiv.org/abs/2503.01199v1
• Date: Mon, 03 Mar 2025 05:52:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:18:32.866384
• Title: LiteGS: A High-Performance Modular Framework for Gaussian Splatting Training
• Title（参考訳）: LiteGS: ガウスプラッティングトレーニングのための高性能モジュールフレームワーク
• Authors: Kaimin Liao,
• Abstract要約: LiteGSは高性能でモジュラーなフレームワークであり、ガウススプラッティングの効率性とユーザビリティを向上させる。 LiteGSはオリジナルの3DGS実装よりも3.4倍のスピードアップを実現し、メモリ使用量を約30%削減した。
• 参考スコア（独自算出の注目度）: 0.21756081703275998
• License:
• Abstract: Gaussian splatting has emerged as a powerful technique for reconstruction of 3D scenes in computer graphics and vision. However, conventional implementations often suffer from inefficiencies, limited flexibility, and high computational overhead, which constrain their adaptability to diverse applications. In this paper, we present LiteGS,a high-performance and modular framework that enhances both the efficiency and usability of Gaussian splatting. LiteGS achieves a 3.4x speedup over the original 3DGS implementation while reducing GPU memory usage by approximately 30%. Its modular design decomposes the splatting process into multiple highly optimized operators, and it provides dual API support via a script-based interface and a CUDA-based interface. The script-based interface, in combination with autograd, enables rapid prototyping and straightforward customization of new ideas, while the CUDA-based interface delivers optimal training speeds for performance-critical applications. LiteGS retains the core algorithm of 3DGS, ensuring compatibility. Comprehensive experiments on the Mip-NeRF 360 dataset demonstrate that LiteGS accelerates training without compromising accuracy, making it an ideal solution for both rapid prototyping and production environments.
• Abstract（参考訳）: ガウススプラッティングはコンピュータグラフィックスと視覚の3Dシーンを再構築する強力な技術として登場した。 しかし、従来の実装は非効率性、柔軟性の制限、高い計算オーバーヘッドに悩まされ、多様なアプリケーションへの適応性が制限される。 本稿では,ガウススプラッティングの効率性とユーザビリティを両立させる高性能かつモジュラーなフレームワークであるLiteGSを提案する。 LiteGSはオリジナルの3DGS実装よりも3.4倍のスピードアップを実現し、GPUメモリ使用量を約30%削減した。 モジュール設計では、スプレイティングプロセスを複数の高度に最適化された演算子に分解し、スクリプトベースのインターフェースとCUDAベースのインターフェースを通じてデュアルAPIをサポートする。 スクリプトベースのインターフェースはオートグレードと組み合わせて、高速なプロトタイピングと新しいアイデアのカスタマイズを可能にし、CUDAベースのインターフェースはパフォーマンスクリティカルなアプリケーションに最適なトレーニング速度を提供する。 LiteGSは3DGSのコアアルゴリズムを保持し、互換性を確保する。 Mip-NeRF 360データセットに関する包括的な実験は、LiteGSが精度を損なうことなくトレーニングを加速し、迅速なプロトタイピングと生産環境の両方に理想的なソリューションであることを示している。

関連論文リスト

• Faster and Better 3D Splatting via Group Training [4.7913404251054335]
  グループトレーニングは、ガウスのプリミティブを管理可能なグループに整理し、トレーニング効率を最適化し、レンダリング品質を改善する戦略である。 このアプローチは、バニラ3DGSやMip-Splattingなど、既存の3DGSフレームワークとの共通互換性を示している。 実験の結果,グループトレーニング戦略が最大30%高速な収束と,さまざまなシナリオでのレンダリング品質の向上を実現していることが明らかになりました。
  論文  参考訳（メタデータ） (2024-12-10T15:47:17Z)
• Temporally Compressed 3D Gaussian Splatting for Dynamic Scenes [46.64784407920817]
  時間圧縮3Dガウススティング(TC3DGS)は動的3Dガウス表現を圧縮する新しい技術である。 複数のデータセットにまたがる実験により、T3DGSは最大67$times$圧縮を実現し、視覚的品質の劣化を最小限に抑えることができた。
  論文  参考訳（メタデータ） (2024-12-07T17:03:09Z)
• HiCoM: Hierarchical Coherent Motion for Streamable Dynamic Scene with 3D Gaussian Splatting [7.507657419706855]
  本稿では,HiCoMと呼ばれる3つの重要なコンポーネントを持つ効率的なフレームワークを提案する。 まず、摂動平滑化戦略を用いて、コンパクトで頑健な初期3DGS表現を構築する。 次に、3次元ガウスの固有非一様分布と局所的一貫性を利用する階層的コヒーレント運動機構を導入する。 2つの広く利用されているデータセットを用いて行った実験により、我々のフレームワークは最先端の手法の学習効率を約20%向上することが示された。
  論文  参考訳（メタデータ） (2024-11-12T04:40:27Z)
• 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)
• FlashGS: Efficient 3D Gaussian Splatting for Large-scale and High-resolution Rendering [11.727367585102112]
  FlashGSは、3D Gaussian Splattingの効率的な差別化を容易にするように設計されている。 FlashGSの性能評価は、多種多様な合成シーンと実世界の大規模シーンで行われている。 結果は、FlashGSの優れたパフォーマンスとリソース最適化能力を強調し、それを3Dレンダリングの領域における恐ろしいツールとして位置づけた。
  論文  参考訳（メタデータ） (2024-08-15T06:27:42Z)
• Taming 3DGS: High-Quality Radiance Fields with Limited Resources [50.92437599516609]
  3D Gaussian Splatting (3DGS)は、高速で解釈可能で高忠実なレンダリングで新規ビュー合成を変換した。 予算で3DGSモデルをトレーニングし、レンダリングするという課題に取り組みます。 我々は、勾配計算と属性更新のための高速で数値的に等価な解を導出する。
  論文  参考訳（メタデータ） (2024-06-21T20:44:23Z)
• 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)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• GGRt: Towards Pose-free Generalizable 3D Gaussian Splatting in Real-time [112.32349668385635]
  GGRtは、現実のカメラポーズの必要性を軽減する、一般化可能な新しいビュー合成のための新しいアプローチである。 最初のポーズフリーの一般化可能な3D-GSフレームワークとして、GGRtは$ge$5 FPSで、リアルタイムレンダリングは$ge$100 FPSで実現している。
  論文  参考訳（メタデータ） (2024-03-15T09:47:35Z)
• 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。