論文の概要: LiteGS: A High-performance Framework to Train 3DGS in Subminutes via System and Algorithm Codesign
- arxiv url: http://arxiv.org/abs/2503.01199v2
- Date: Thu, 31 Jul 2025 07:35:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 15:10:44.834419
- Title: LiteGS: A High-performance Framework to Train 3DGS in Subminutes via System and Algorithm Codesign
- Title（参考訳）: LiteGS: システムとアルゴリズムのコードサインによる3DGSを短時間でトレーニングする高性能フレームワーク
- Authors: Kaimin Liao, Hua Wang, Zhi Chen, Luchao Wang, Yaohua Tang,
- Abstract要約: 3D Gaussian Splatting (3DGS)は、3D表現において有望な代替手段として登場したが、それでも高いトレーニングコストに悩まされている。
本稿では、3DGSトレーニングパイプラインを体系的に最適化する高性能計算フレームワークであるLiteGSを紹介する。
実験の結果、LiteGSはオリジナルの3DGSトレーニングを最大13.4倍、同等または優れた品質で加速した。
- 参考スコア（独自算出の注目度）: 9.937895857852029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D Gaussian Splatting (3DGS) has emerged as promising alternative in 3D representation. However, it still suffers from high training cost. This paper introduces LiteGS, a high performance framework that systematically optimizes the 3DGS training pipeline from multiple aspects. At the low-level computation layer, we design a ``warp-based raster'' associated with two hardware-aware optimizations to significantly reduce gradient reduction overhead. At the mid-level data management layer, we introduce dynamic spatial sorting based on Morton coding to enable a performant ``Cluster-Cull-Compact'' pipeline and improve data locality, therefore reducing cache misses. At the top-level algorithm layer, we establish a new robust densification criterion based on the variance of the opacity gradient, paired with a more stable opacity control mechanism, to achieve more precise parameter growth. Experimental results demonstrate that LiteGS accelerates the original 3DGS training by up to 13.4x with comparable or superior quality and surpasses the current SOTA in lightweight models by up to 1.4x speedup. For high-quality reconstruction tasks, LiteGS sets a new accuracy record and decreases the training time by an order of magnitude.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、3D表現において有望な代替手段として現れている。
しかし、それでも高い訓練費に悩まされている。
本稿では,複数の側面から3DGSトレーニングパイプラインを体系的に最適化する高性能フレームワークであるLiteGSを紹介する。
低レベルの計算層では、勾配低減オーバーヘッドを大幅に低減するために、2つのハードウェア対応最適化を伴う `warp-based raster'' を設計する。
中層データ管理層では、Morton符号化に基づく動的空間ソートを導入し、パフォーマンスの高い ``Cluster-Cull-Compact'' パイプラインを実現し、データのローカリティを改善し、キャッシュミスを減らす。
最上位のアルゴリズム層では、より安定した不透明度制御機構と組み合わせた不透明度勾配の分散に基づいて、より正確なパラメータ成長を実現するために、新しい頑健な密度化基準を確立する。
実験の結果、LiteGSはオリジナルの3DGSトレーニングを最大13.4倍、同等または優れた品質で加速し、軽量モデルのSOTAを最大1.4倍高速化した。
高品質な再構築タスクでは、LiteGSは新しい精度記録を設定し、トレーニング時間を桁違いに短縮する。
関連論文リスト
- RLGS: Reinforcement Learning-Based Adaptive Hyperparameter Tuning for Gaussian Splatting [17.408202868773703]
3DGS における適応型ハイパーパラメータチューニングのためのプラグアンドプレイ強化学習フレームワーク RLGS を提案する。
RLGSはモデルに依存しず、アーキテクチャの変更なしに既存の3DGSパイプラインにシームレスに統合される。
論文 参考訳（メタデータ） (2025-08-06T04:37:39Z) - 3DGS Compression with Sparsity-guided Hierarchical Transform Coding [19.575833741231953]
SHTC(Sparsity-guided Hierarchical Transform Coding)は、3DGS圧縮のためのエンドツーエンドのトランスフォーメーションコーディングフレームワークである。
SHTCは3DGS、変換、軽量コンテキストモデルを共同で最適化している。
この新しい設計により、最小限の追加パラメータと計算オーバーヘッドでR-D性能が大幅に向上する。
論文 参考訳（メタデータ） (2025-05-28T22:17:24Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds [71.37326848614133]
3DGSの最適化複雑性に関するスケジューリング手法であるDashGaussianを提案する。
提案手法は, 各種3DGSバックボーンの最適化を平均45.7%高速化する。
論文 参考訳（メタデータ） (2025-03-24T07:17:27Z) - GauRast: Enhancing GPU Triangle Rasterizers to Accelerate 3D Gaussian Splatting [3.275890592583965]
3D Gaussian Splatting (3DGS)は高品質な3Dレンダリング手法である。
3DGSを加速するためのこれまでの取り組みは、相当な統合オーバーヘッドとハードウェアコストを必要とする専用のアクセラレータに依存していた。
本研究では、3DGSパイプラインと高度に最適化された従来のグラフィックスパイプラインの類似性を活用する加速度戦略を提案する。
論文 参考訳（メタデータ） (2025-03-20T19:54:05Z) - Optimized 3D Gaussian Splatting using Coarse-to-Fine Image Frequency Modulation [24.29691274119593]
本稿では,新しい周波数変調粗粒度最適化フレームワークOpti3DGSを提案する。
本手法は多くの3DGS技術とシームレスに統合可能であることを示す。
また、Opti3DGSは本質的に余分なコストを伴わずに詳細シーン表現を生成できることを示す。
論文 参考訳（メタデータ） (2025-03-18T17:49:01Z) - Lightweight Gradient-Aware Upscaling of 3D Gaussian Splatting Images [0.0]
3DGSと比較すると、レンダリング速度が大幅に向上し、3DGSの再構築でよく見られるアーティファクトが削減される。
本手法は,低解像度の3DGSレンダリングを高速化し,コストを極端に増大させる。
論文 参考訳（メタデータ） (2025-03-18T11:42:52Z) - 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) - 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) - 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) - 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) - 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)
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。