Fugu-MT 論文翻訳(概要): BOGausS: Better Optimized Gaussian Splatting

論文の概要: BOGausS: Better Optimized Gaussian Splatting

arxiv url: http://arxiv.org/abs/2504.01844v1
Date: Wed, 02 Apr 2025 15:49:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-03 13:21:15.911877
Title: BOGausS: Better Optimized Gaussian Splatting
Title（参考訳）: BOGausS:より最適化されたガウス鋳型
Authors: Stéphane Pateux, Matthieu Gendrin, Luce Morin, Théo Ladune, Xiaoran Jiang,
Abstract要約: 3D Gaussian Splatting (3DGS) は新規なビュー合成のための効率的な解法を提案する。我々のBetter Optimized Gaussian Splatting(BOGausS)ソリューションは、オリジナルの3DGSの最大10倍のモデルを生成することができる。
参考スコア（独自算出の注目度）: 6.307754967540217
License:
Abstract: 3D Gaussian Splatting (3DGS) proposes an efficient solution for novel view synthesis. Its framework provides fast and high-fidelity rendering. Although less complex than other solutions such as Neural Radiance Fields (NeRF), there are still some challenges building smaller models without sacrificing quality. In this study, we perform a careful analysis of 3DGS training process and propose a new optimization methodology. Our Better Optimized Gaussian Splatting (BOGausS) solution is able to generate models up to ten times lighter than the original 3DGS with no quality degradation, thus significantly boosting the performance of Gaussian Splatting compared to the state of the art.
Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は新規なビュー合成のための効率的な解法を提案する。そのフレームワークは高速かつ高忠実なレンダリングを提供する。 NeRF(Neural Radiance Fields)のような他のソリューションほど複雑ではないが、品質を犠牲にすることなく小さなモデルを構築することにはまだ課題がある。本研究では,3DGSトレーニングプロセスの注意深い解析を行い,新しい最適化手法を提案する。我々のBOGausS(Better Optimized Gaussian Splatting)ソリューションは、品質劣化のないオリジナルの3DGSよりも最大10倍軽量なモデルを生成することができるため、最先端技術と比較してガウススプレートの性能が著しく向上する。

関連論文リスト

Turbo-GS: Accelerating 3D Gaussian Fitting for High-Quality Radiance Fields [28.047692891923585]
新規ビュー合成はコンピュータビジョンにおいて重要な問題であり、3次元再構成、混合現実、ロボット工学への応用がある。近年, 3D Gaussian Splatting (3DGS) などの手法が好まれている。私たちの目標は、高いレンダリング品質を維持しながら、少ないステップでトレーニングすることで最適化時間を短縮することにあります。
論文参考訳（メタデータ） (2024-12-18T06:46:40Z)
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)
MVGS: Multi-view-regulated Gaussian Splatting for Novel View Synthesis [22.80370814838661]
ボリュームレンダリングにおける最近の研究、例えばNeRFや3D Gaussian Splatting (3DGS)は、レンダリング品質と効率を大幅に向上させた。 4つの重要な貢献を具現化した新しい3DGS最適化手法を提案する。
論文参考訳（メタデータ） (2024-10-02T23:48:31Z)
Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
任意のスケールでガウスを適応させる統一最適化法を提案する。ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
論文参考訳（メタデータ） (2024-08-12T16:49:22Z)
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)
RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
論文参考訳（メタデータ） (2024-06-03T15:56:58Z)
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)
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)
DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation [55.661467968178066]
本稿では,DreamGaussianを提案する。DreamGaussianは,効率と品質を両立させる新しい3Dコンテンツ生成フレームワークである。我々の重要な洞察は、UV空間におけるメッシュ抽出とテクスチャ改善を伴う3次元ガウススプラッティングモデルを設計することである。ニューラル・ラジアンス・フィールドにおける占有プルーニングとは対照的に、3次元ガウスの進行的な密度化は3次元生成タスクにおいて著しく速く収束することを示した。
論文参考訳（メタデータ） (2023-09-28T17:55:05Z)

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。