論文の概要: RLGS: Reinforcement Learning-Based Adaptive Hyperparameter Tuning for Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2508.04078v1
- Date: Wed, 06 Aug 2025 04:37:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.547589
- Title: RLGS: Reinforcement Learning-Based Adaptive Hyperparameter Tuning for Gaussian Splatting
- Title（参考訳）: RLGS: ガウススメッティングのための強化学習に基づく適応型ハイパーパラメータチューニング
- Authors: Zhan Li, Huangying Zhan, Changyang Li, Qingan Yan, Yi Xu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.408202868773703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperparameter tuning in 3D Gaussian Splatting (3DGS) is a labor-intensive and expert-driven process, often resulting in inconsistent reconstructions and suboptimal results. We propose RLGS, a plug-and-play reinforcement learning framework for adaptive hyperparameter tuning in 3DGS through lightweight policy modules, dynamically adjusting critical hyperparameters such as learning rates and densification thresholds. The framework is model-agnostic and seamlessly integrates into existing 3DGS pipelines without architectural modifications. We demonstrate its generalization ability across multiple state-of-the-art 3DGS variants, including Taming-3DGS and 3DGS-MCMC, and validate its robustness across diverse datasets. RLGS consistently enhances rendering quality. For example, it improves Taming-3DGS by 0.7dB PSNR on the Tanks and Temple (TNT) dataset, under a fixed Gaussian budget, and continues to yield gains even when baseline performance saturates. Our results suggest that RLGS provides an effective and general solution for automating hyperparameter tuning in 3DGS training, bridging a gap in applying reinforcement learning to 3DGS.
- Abstract（参考訳）: 3Dガウススティング(3DGS)におけるハイパーパラメータチューニングは、労働集約的で専門家主導のプロセスであり、しばしば矛盾した再構築と準最適結果をもたらす。
RLGSは、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,軽量なポリシーモジュールによるプラグイン・アンド・プレイ型強化学習フレームワークであり,学習速度や密度閾値などの重要なハイパーパラメータを動的に調整する。
フレームワーク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。
我々は、Taming-3DGSや3DGS-MCMCなど、最先端の複数の3DGS亜種をまたいだ一般化能力を実証し、その頑健さを多様なデータセットで検証した。
RLGSはレンダリング品質を継続的に向上させる。
例えば、タミング3DGSをタンク・アンド・テンプル(TNT)データセットの0.7dBPSNRで改良し、ガウスの予算を固定し、ベースラインのパフォーマンスが飽和しても利得を継続する。
以上の結果から,RCGSは3DGSトレーニングにおけるハイパーパラメータチューニングを効果的かつ汎用的に自動化し,強化学習を3DGSに適用する際のギャップを埋めることが示唆された。
関連論文リスト
- 3DGabSplat: 3D Gabor Splatting for Frequency-adaptive Radiance Field Rendering [50.04967868036964]
3D Gaussian Splatting(3DGS)は、高忠実なノベルビュー合成を維持しながらリアルタイムレンダリングを実現している。
複数方向の3次元周波数応答を持つ新規な3次元ガボルベースプリミティブを組み込んだ3次元ガボルスプレート(3DGabSplat)を提案する。
我々は3D以上の1.35dBRゲインを実現し、同時にプリミティブメモリ消費量を削減した。
論文 参考訳（メタデータ） (2025-08-07T12:49:44Z) - FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。
従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。
本稿では3DGSの弾性推論手法を提案する。
論文 参考訳（メタデータ） (2025-06-04T17:17:57Z) - 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) - CAGE-GS: High-fidelity Cage Based 3D Gaussian Splatting Deformation [7.218737495375119]
CAGE-GSは、ソース3DGSシーンとユーザが定義したターゲット形状をシームレスに整列するケージベースの3DGS変形法である。
提案手法では,ターゲットから変形ケージを学習し,ソースシーンの幾何学的変換を導出する。
本手法は,テキスト,画像,点雲,メッシュ,3DGSモデルなど,さまざまな形状表現を格納し,柔軟である。
論文 参考訳（メタデータ） (2025-04-17T10:00:15Z) - StructGS: Adaptive Spherical Harmonics and Rendering Enhancements for Superior 3D Gaussian Splatting [5.759434800012218]
StructGS は 3D Gaussian Splatting (3DGS) を強化し、3D再構成における新規なビュー合成を改善するフレームワークである。
我々のフレームワークは計算冗長性を著しく低減し、ディテールキャプチャを強化し、低解像度入力からの高解像度レンダリングをサポートする。
論文 参考訳（メタデータ） (2025-03-09T05:39:44Z) - LiteGS: A High-performance Framework to Train 3DGS in Subminutes via System and Algorithm Codesign [9.937895857852029]
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。
論文 参考訳（メタデータ） (2025-03-03T05:52:02Z) - Does 3D Gaussian Splatting Need Accurate Volumetric Rendering? [8.421214057144569]
3D Gaussian Splatting (3DGS) は撮影シーンの3D表現を学習するための重要な参照手法である。
3DGSに先立つNeRFは、レンダリングのための原則的なレイマーチングアプローチに基づいている。
元の3DGSソリューションで用いられる様々な近似と仮定を詳細に分析する。
論文 参考訳（メタデータ） (2025-02-26T17:11:26Z) - ResGS: Residual Densification of 3D Gaussian for Efficient Detail Recovery [11.706262924395768]
そこで我々は, 残留分断法を新たに導入し, 残留分断法としてガウシアンを付加した。
我々のアプローチは、詳細を適応的に検索し、欠落した幾何学を補完することができる。
論文 参考訳（メタデータ） (2024-12-10T13:19:27Z) - PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。
また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
論文 参考訳（メタデータ） (2024-06-14T17:53:55Z) - 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) - 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。