論文の概要: Confident Splatting: Confidence-Based Compression of 3D Gaussian Splatting via Learnable Beta Distributions
- arxiv url: http://arxiv.org/abs/2506.22973v1
- Date: Sat, 28 Jun 2025 18:11:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.65443
- Title: Confident Splatting: Confidence-Based Compression of 3D Gaussian Splatting via Learnable Beta Distributions
- Title（参考訳）: 信頼度に基づく3次元ガウス平滑化の学習可能なベータ分布による圧縮
- Authors: AmirHossein Naghi Razlighi, Elaheh Badali Golezani, Shohreh Kasaei,
- Abstract要約: 3D Gaussian Splattingは高品質なリアルタイムレンダリングを実現するが、数百万のスプレートを生成することが多い。
本研究では,ベータ分布をモデル化した学習可能な信頼度スコアに基づく新しい損失圧縮手法を提案する。
- 参考スコア（独自算出の注目度）: 9.115508086522887
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 3D Gaussian Splatting enables high-quality real-time rendering but often produces millions of splats, resulting in excessive storage and computational overhead. We propose a novel lossy compression method based on learnable confidence scores modeled as Beta distributions. Each splat's confidence is optimized through reconstruction-aware losses, enabling pruning of low-confidence splats while preserving visual fidelity. The proposed approach is architecture-agnostic and can be applied to any Gaussian Splatting variant. In addition, the average confidence values serve as a new metric to assess the quality of the scene. Extensive experiments demonstrate favorable trade-offs between compression and fidelity compared to prior work. Our code and data are publicly available at https://github.com/amirhossein-razlighi/Confident-Splatting
- Abstract（参考訳）: 3D Gaussian Splattingは高品質なリアルタイムレンダリングを実現するが、数百万のスプラットを発生することが多く、過剰なストレージと計算オーバーヘッドをもたらす。
本研究では,ベータ分布をモデル化した学習可能な信頼度スコアに基づく新しい損失圧縮手法を提案する。
各スプラットの信頼度は、再建対応の損失によって最適化され、視覚的忠実さを維持しながら、低信頼のスプラットを刈り取ることができる。
提案手法はアーキテクチャに依存しないものであり、任意のガウススプラッティング変種に適用できる。
さらに、平均信頼値はシーンの品質を評価するための新しい指標として機能する。
大規模な実験は、以前の作業と比べて圧縮と忠実さのトレードオフが良好であることを示している。
私たちのコードとデータはhttps://github.com/amirhossein-razlighi/Confident-Splattingで公開されています。
関連論文リスト
- HEMGS: A Hybrid Entropy Model for 3D Gaussian Splatting Data Compression [25.820461699307042]
本稿では,3次元ガウススプラッティング(HEMGS)のためのハイブリッドエントロピーモデルを提案する。
変数レート予測器、ハイパープライアネットワーク、自動回帰ネットワークの3つの主要コンポーネントで構成されている。
HEMGSは、ベースラインメソッドのレンダリング品質を維持しながら、約40%のサイズ削減を実現している。
論文 参考訳（メタデータ） (2024-11-27T16:08:59Z) - Few-shot Novel View Synthesis using Depth Aware 3D Gaussian Splatting [0.0]
3次元ガウススプラッティングは、新しいビュー合成における神経放射場法を超越している。
多数のインプットビューを備えた高品質なレンダリングを生成するが、ほんの数ビューしか利用できない場合、パフォーマンスは大幅に低下する。
数発の新規ビュー合成のための奥行き認識型ガウススプラッティング法を提案する。
論文 参考訳（メタデータ） (2024-10-14T20:42:30Z) - CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。
我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。
実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
論文 参考訳（メタデータ） (2024-04-15T04:50:39Z) - HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳（メタデータ） (2024-03-21T16:28:58Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Certifying Confidence via Randomized Smoothing [151.67113334248464]
ランダムな平滑化は、高次元の分類問題に対して良好な証明されたロバスト性を保証することが示されている。
ほとんどの平滑化法は、下層の分類器が予測する信頼性に関する情報を与えてくれない。
そこで本研究では,スムーズな分類器の予測信頼度を評価するために,認証ラジイを生成する手法を提案する。
論文 参考訳（メタデータ） (2020-09-17T04:37:26Z) - Data-Independent Structured Pruning of Neural Networks via Coresets [21.436706159840018]
本稿では, 圧縮率と将来の試験試料の近似誤差とのトレードオフが証明可能な最初の効率的な構造化プルーニングアルゴリズムを提案する。
これまでの作業とは異なり、コアセットはデータ独立であり、逆数を含む任意の入力$xin mathbbRd$に対して関数の精度を確実に保証します。
論文 参考訳（メタデータ） (2020-08-19T08:03:09Z)
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。