論文の概要: ZPressor: Bottleneck-Aware Compression for Scalable Feed-Forward 3DGS

• arxiv url: http://arxiv.org/abs/2505.23734v1
• Date: Thu, 29 May 2025 17:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:08.066795
• Title: ZPressor: Bottleneck-Aware Compression for Scalable Feed-Forward 3DGS
• Title（参考訳）: ZPressor:スケーラブルフィードフォワード3DGSのためのBottleneck対応圧縮
• Authors: Weijie Wang, Donny Y. Chen, Zeyu Zhang, Duochao Shi, Akide Liu, Bohan Zhuang,
• Abstract要約: ZPressorは軽量なアーキテクチャに依存しないモジュールで、マルチビュー入力の効率的な圧縮を可能にする。 本研究では、ZPressorを複数の最先端フィードフォワード3DGSモデルに統合することにより、適度なインプットビューでの性能が向上し、高密度ビュー設定でロバスト性が向上することを示す。
• 参考スコア（独自算出の注目度）: 15.367780727674438
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Feed-forward 3D Gaussian Splatting (3DGS) models have recently emerged as a promising solution for novel view synthesis, enabling one-pass inference without the need for per-scene 3DGS optimization. However, their scalability is fundamentally constrained by the limited capacity of their encoders, leading to degraded performance or excessive memory consumption as the number of input views increases. In this work, we analyze feed-forward 3DGS frameworks through the lens of the Information Bottleneck principle and introduce ZPressor, a lightweight architecture-agnostic module that enables efficient compression of multi-view inputs into a compact latent state $Z$ that retains essential scene information while discarding redundancy. Concretely, ZPressor enables existing feed-forward 3DGS models to scale to over 100 input views at 480P resolution on an 80GB GPU, by partitioning the views into anchor and support sets and using cross attention to compress the information from the support views into anchor views, forming the compressed latent state $Z$. We show that integrating ZPressor into several state-of-the-art feed-forward 3DGS models consistently improves performance under moderate input views and enhances robustness under dense view settings on two large-scale benchmarks DL3DV-10K and RealEstate10K. The video results, code and trained models are available on our project page: https://lhmd.top/zpressor.
• Abstract（参考訳）: フィードフォワード3Dガウススプラッティング(3DGS)モデルは、最近、新しいビュー合成のための有望なソリューションとして登場し、シーンごとの3DGS最適化を必要とせずにワンパス推論を可能にした。 しかし、そのスケーラビリティはエンコーダの容量が限られているため、インプットビューの数が増えるにつれて性能が低下したり、メモリ消費が過剰になる。 本稿では,Information Bottleneck原則のレンズを用いてフィードフォワード3DGSフレームワークを解析し,マルチビュー入力の効率的な圧縮を可能にする軽量モジュールであるZPressorを導入する。 具体的には、ZPressorは、ビューをアンカーとサポートセットに分割し、クロスアテンションを使用して、サポートビューから情報をアンカービューに圧縮し、圧縮された潜在状態$Z$を形成することで、80GB GPUの480P解像度で、既存のフィードフォワード3DGSモデルを100以上のインプットビューにスケールすることができる。 本研究では、ZPressorを複数の最先端フィードフォワード3DGSモデルに統合することにより、適度な入力ビュー下での性能が向上し、2つの大規模ベンチマークDL3DV-10KとRealEstate10K上での高密度ビュー設定下での堅牢性が向上することを示す。 ビデオの結果、コード、トレーニングされたモデルは、プロジェクトのページで確認できる。

関連論文リスト

• Enhancing 3D Gaussian Splatting Compression via Spatial Condition-based Prediction [24.061525432639943]
  我々は、ビットレートを効果的に低減するために、アンカーベースガウス表現に予測手法を導入する。 私たちのフレームワークは依然として24.22%のビットレートの節約を実現しています。
  論文  参考訳（メタデータ） (2025-03-30T06:41:43Z)
• Light4GS: Lightweight Compact 4D Gaussian Splatting Generation via Context Model [21.375070073632944]
  3次元ビュー合成技術(3DGS)は,新規・新規コンテンツのための効率的な高忠実度パラダイムとして登場している。 3DGSを動的コンテンツに適用するために、変形可能な3DGSは、時間的に変形可能なプリミティブと学習可能な遅延埋め込みを組み込んで複雑な動きをキャプチャする。 優れた性能にもかかわらず、高次元の埋め込みと大量のプリミティブは、かなりのストレージ要件をもたらす。
  論文  参考訳（メタデータ） (2025-03-18T06:28:13Z)
• 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)
• 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)
• Data-Model-Circuit Tri-Design for Ultra-Light Video Intelligence on Edge Devices [90.30316433184414]
  本稿では,HDビデオストリーム上での高スループット,低コスト,高精度MOTのためのデータモデル・ハードウエア・トリデザイン・フレームワークを提案する。 現状のMOTベースラインと比較して、我々の三設計アプローチは12.5倍の遅延低減、20.9倍のフレームレート改善、5.83倍の低消費電力、9.78倍のエネルギー効率を実現でき、精度は低下しない。
  論文  参考訳（メタデータ） (2022-10-16T16:21:40Z)

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。