論文の概要: Image-Conditioned 3D Gaussian Splat Quantization

• arxiv url: http://arxiv.org/abs/2508.15372v1
• Date: Thu, 21 Aug 2025 09:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.25252
• Title: Image-Conditioned 3D Gaussian Splat Quantization
• Title（参考訳）: 画像合成による3次元ガウススプラット量子化
• Authors: Xinshuang Liu, Runfa Blark Li, Keito Suzuki, Truong Nguyen,
• Abstract要約: 画像合成ガウススプラット量子化器(ICGS-Quantizer) ICGS-Quantizerは圧縮効率を大幅に向上し、アーカイブ後のシーン変更への適応性を提供する。 私たちのコード、モデル、データはGitHubで公開されます。
• 参考スコア（独自算出の注目度）: 2.320539066224081
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has attracted considerable attention for enabling high-quality real-time rendering. Although 3DGS compression methods have been proposed for deployment on storage-constrained devices, two limitations hinder archival use: (1) they compress medium-scale scenes only to the megabyte range, which remains impractical for large-scale scenes or extensive scene collections; and (2) they lack mechanisms to accommodate scene changes after long-term archival. To address these limitations, we propose an Image-Conditioned Gaussian Splat Quantizer (ICGS-Quantizer) that substantially enhances compression efficiency and provides adaptability to scene changes after archiving. ICGS-Quantizer improves quantization efficiency by jointly exploiting inter-Gaussian and inter-attribute correlations and by using shared codebooks across all training scenes, which are then fixed and applied to previously unseen test scenes, eliminating the overhead of per-scene codebooks. This approach effectively reduces the storage requirements for 3DGS to the kilobyte range while preserving visual fidelity. To enable adaptability to post-archival scene changes, ICGS-Quantizer conditions scene decoding on images captured at decoding time. The encoding, quantization, and decoding processes are trained jointly, ensuring that the codes, which are quantized representations of the scene, are effective for conditional decoding. We evaluate ICGS-Quantizer on 3D scene compression and 3D scene updating. Experimental results show that ICGS-Quantizer consistently outperforms state-of-the-art methods in compression efficiency and adaptability to scene changes. Our code, model, and data will be publicly available on GitHub.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は高品質なリアルタイムレンダリングを実現するために注目されている。 3DGS圧縮法は,ストレージ制約のあるデバイスに展開するために提案されているが,(1)中規模シーンをメガバイト範囲にのみ圧縮し,大規模なシーンや大規模なシーンコレクションには実用的ではないこと,(2)長期的アーカイブ後のシーン変更に対応するメカニズムが欠如していること,の2つの制限がアーカイブ利用を妨げる。 これらの制約に対処するために,圧縮効率を大幅に向上し,アーカイブ後のシーン変化への適応性を提供する画像合成ガウス量量化器 (ICGS-Quantizer) を提案する。 ICGS-Quantizerは、GaussianとInter-Atributeの相関を共同で利用し、すべてのトレーニングシーンで共有コードブックを使用することで、量子化効率を向上させる。 このアプローチは、3DGSのストレージ要求を、視覚的忠実性を維持しながらキロバイト範囲に効果的に削減する。 ICGS-Quantizer条件でデコード時にキャプチャした画像のシーンデコードを行う。 符号化、量子化、復号化プロセスは共同で訓練され、シーンの量子化表現である符号が条件付き復号化に有効であることを保証する。 ICGS-Quantizerを3次元シーン圧縮と3次元シーン更新で評価した。 実験の結果、ICGS-Quantizerは圧縮効率とシーン変化への適応性において、常に最先端の手法よりも優れていた。 私たちのコード、モデル、データはGitHubで公開されます。

関連論文リスト

• Compressing 3D Gaussian Splatting by Noise-Substituted Vector Quantization [14.71160140310766]
  3D Gaussian Splatting (3DGS) は3次元再構成において顕著な効果を示し, 実時間放射場レンダリングによる高品質な結果を得た。 単一のシーンを再構築するには、通常、59の浮動小数点パラメータで表現された数百万のガウススプラットが必要で、約1GBのメモリが生成される。 具体的には、ノイズ置換ベクトル量子化手法を用いて、コードブックとモデルの特徴を共同でトレーニングし、降下勾配最適化とパラメータ離散化の整合性を確保する。
  論文  参考訳（メタデータ） (2025-04-03T22:19:34Z)
• Temporally Compressed 3D Gaussian Splatting for Dynamic Scenes [46.64784407920817]
  時間圧縮3Dガウススティング(TC3DGS)は動的3Dガウス表現を圧縮する新しい技術である。 複数のデータセットにまたがる実験により、T3DGSは最大67$times$圧縮を実現し、視覚的品質の劣化を最小限に抑えることができた。
  論文  参考訳（メタデータ） (2024-12-07T17:03:09Z)
• 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)
• Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields [13.729716867839509]
  ハイパフォーマンスを維持しつつガウスの数を著しく削減する学習可能なマスク戦略を提案する。 さらに、格子型ニューラルネットワークを用いて、ビュー依存色をコンパクトかつ効果的に表現することを提案する。 我々の研究は、3Dシーン表現のための包括的なフレームワークを提供し、ハイパフォーマンス、高速トレーニング、コンパクト性、リアルタイムレンダリングを実現しています。
  論文  参考訳（メタデータ） (2024-08-07T14:56:34Z)
• 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)
• ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model [77.71796503321632]
  我々は3DGS表現のアンカーレベルにコンテキストモデルを導入し,バニラ3DGSと比較して100倍以上のサイズの縮小を実現した。 我々の研究は3DGS表現のためのアンカーレベルのコンテキストモデルを開拓し、バニラ3DGSに比べて100倍以上、そして最新の最先端のScaffold-GSに比べて15倍の大幅なサイズ縮小を実現した。
  論文  参考訳（メタデータ） (2024-05-31T09:23:39Z)

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。