論文の概要: CityGS-X: A Scalable Architecture for Efficient and Geometrically Accurate Large-Scale Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2503.23044v1
• Date: Sat, 29 Mar 2025 11:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:36:04.190830
• Title: CityGS-X: A Scalable Architecture for Efficient and Geometrically Accurate Large-Scale Scene Reconstruction
• Title（参考訳）: CityGS-X: 効率的かつ幾何学的に正確な大規模シーン再構築のためのスケーラブルなアーキテクチャ
• Authors: Yuanyuan Gao, Hao Li, Jiaqi Chen, Zhengyu Zou, Zhihang Zhong, Dingwen Zhang, Xiao Sun, Junwei Han,
• Abstract要約: CityGS-Xは、新しい並列化ハイブリッド階層型3D表現(PH2-3D)上に構築されたスケーラブルアーキテクチャである トレーニング時間の短縮、レンダリング能力の向上、大規模シーンにおけるより正確な幾何学的詳細といった点で、既存の手法よりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 79.1905347777988
• License:
• Abstract: Despite its significant achievements in large-scale scene reconstruction, 3D Gaussian Splatting still faces substantial challenges, including slow processing, high computational costs, and limited geometric accuracy. These core issues arise from its inherently unstructured design and the absence of efficient parallelization. To overcome these challenges simultaneously, we introduce CityGS-X, a scalable architecture built on a novel parallelized hybrid hierarchical 3D representation (PH^2-3D). As an early attempt, CityGS-X abandons the cumbersome merge-and-partition process and instead adopts a newly-designed batch-level multi-task rendering process. This architecture enables efficient multi-GPU rendering through dynamic Level-of-Detail voxel allocations, significantly improving scalability and performance. Through extensive experiments, CityGS-X consistently outperforms existing methods in terms of faster training times, larger rendering capacities, and more accurate geometric details in large-scale scenes. Notably, CityGS-X can train and render a scene with 5,000+ images in just 5 hours using only 4 * 4090 GPUs, a task that would make other alternative methods encounter Out-Of-Memory (OOM) issues and fail completely. This implies that CityGS-X is far beyond the capacity of other existing methods.
• Abstract（参考訳）: 大規模なシーン再構築における大きな成果にもかかわらず、3Dガウススプラッティングは依然として、遅い処理、高い計算コスト、限られた幾何学的精度など、重大な課題に直面している。 これらの中核的な問題は、本質的に非構造設計と効率的な並列化の欠如から生じる。 これらの課題を同時に克服するために,新しい並列化ハイブリッド階層型3D表現(PH^2-3D)上に構築されたスケーラブルなアーキテクチャであるCityGS-Xを紹介する。 初期の試みとして、CityGS-Xは面倒なマージ・アンド・パーティションプロセスを捨て、代わりに新しく設計されたバッチレベルのマルチタスクレンダリングプロセスを採用した。 このアーキテクチャは、ダイナミックなレベル・オブ・ディテールのボクセル割り当てによる効率的なマルチGPUレンダリングを可能にし、スケーラビリティとパフォーマンスを大幅に改善する。 大規模な実験を通じて、CityGS-Xは、より高速なトレーニング時間、より大きなレンダリング能力、大規模シーンにおけるより正確な幾何学的詳細といった点で、既存の手法よりも一貫して優れている。 特にCityGS-Xは、わずか5時間で5000以上の画像を4×4090のGPUでトレーニングし、レンダリングすることができる。 これは、CityGS-Xが既存のメソッドの容量をはるかに超えることを意味している。

関連論文リスト

• CoSurfGS:Collaborative 3D Surface Gaussian Splatting with Distributed Learning for Large Scene Reconstruction [68.81212850946318]
  大規模表面再構成のための分散学習に基づく多エージェント協調高速3DGS表面再構成フレームワークを提案する。 具体的には,局所モデル圧縮(LMC)とモデルアグリゲーションスキーム(MAS)を開発し,大規模シーンの高品質な表面表現を実現する。 提案手法は高速でスケーラブルな高忠実表面再構成とフォトリアリスティックレンダリングを実現する。
  論文  参考訳（メタデータ） (2024-12-23T14:31:15Z)
• 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)
• GigaGS: Scaling up Planar-Based 3D Gaussians for Large Scene Surface Reconstruction [71.08607897266045]
  3D Gaussian Splatting (3DGS) は新規なビュー合成において有望な性能を示した。 本研究は,大規模な景観表面再構築の課題に取り組むための最初の試みである。 3DGSを用いた大規模シーンのための高品質な表面再構成手法であるGigaGSを提案する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:39Z)
• 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)
• CityGaussian: Real-time High-quality Large-Scale Scene Rendering with Gaussians [64.6687065215713]
  CityGaussianは、大規模な3DGSのトレーニングとレンダリングを効率化するために、新しい分別/分別トレーニングアプローチとLevel-of-Detail(LoD)戦略を採用している。 我々のアプローチは最先端のレンダリング品質を実現し、大規模なシーンを全く異なるスケールで一貫したリアルタイムレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-04-01T14:24:40Z)

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。