論文の概要: ContraGS: Codebook-Condensed and Trainable Gaussian Splatting for Fast, Memory-Efficient Reconstruction

• arxiv url: http://arxiv.org/abs/2509.03775v1
• Date: Wed, 03 Sep 2025 23:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:09.998379
• Title: ContraGS: Codebook-Condensed and Trainable Gaussian Splatting for Fast, Memory-Efficient Reconstruction
• Title（参考訳）: ContraGS: 高速でメモリ効率の良い再構築のためのコードブックとトレーニング可能なガウススプラッティング
• Authors: Sankeerth Durvasula, Sharanshangar Muhunthan, Zain Moustafa, Richard Chen, Ruofan Liang, Yushi Guan, Nilesh Ahuja, Nilesh Jain, Selvakumar Panneer, Nandita Vijaykumar,
• Abstract要約: 3D Gaussian Splatting (3DGS)は、高品質でリアルタイムなレンダリングで現実世界のシーンをモデル化する技術である。 ガウス数を減らすことなく,圧縮された3DGS表現を直接トレーニングする手法であるContraGSを紹介する。 ContraGSはトレーニング中のピークメモリ(平均3.49X)とトレーニングとレンダリングの高速化(平均1.36Xと1.88X)を著しく低減し、最先端品質に近いトレーニングを行う。
• 参考スコア（独自算出の注目度）: 9.155819295255212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) is a state-of-art technique to model real-world scenes with high quality and real-time rendering. Typically, a higher quality representation can be achieved by using a large number of 3D Gaussians. However, using large 3D Gaussian counts significantly increases the GPU device memory for storing model parameters. A large model thus requires powerful GPUs with high memory capacities for training and has slower training/rendering latencies due to the inefficiencies of memory access and data movement. In this work, we introduce ContraGS, a method to enable training directly on compressed 3DGS representations without reducing the Gaussian Counts, and thus with a little loss in model quality. ContraGS leverages codebooks to compactly store a set of Gaussian parameter vectors throughout the training process, thereby significantly reducing memory consumption. While codebooks have been demonstrated to be highly effective at compressing fully trained 3DGS models, directly training using codebook representations is an unsolved challenge. ContraGS solves the problem of learning non-differentiable parameters in codebook-compressed representations by posing parameter estimation as a Bayesian inference problem. To this end, ContraGS provides a framework that effectively uses MCMC sampling to sample over a posterior distribution of these compressed representations. With ContraGS, we demonstrate that ContraGS significantly reduces the peak memory during training (on average 3.49X) and accelerated training and rendering (1.36X and 1.88X on average, respectively), while retraining close to state-of-art quality.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、高品質でリアルタイムなレンダリングで現実世界のシーンをモデル化する最先端技術である。 通常、より高品質な表現は、多数の3Dガウスを用いて達成できる。 しかし、大きな3Dガウス数を使用すると、モデルパラメータを保存するためのGPUデバイスメモリが大幅に増大する。 これにより、トレーニングにメモリ容量の高い強力なGPUが必要となり、メモリアクセスとデータ移動の非効率さのため、トレーニング/レンダリングの遅延が遅くなる。 本研究では,圧縮された3DGS表現を直接学習する手法であるContraGSを紹介する。 ContraGSはコードブックを利用してトレーニングプロセスを通じてガウスパラメータベクトルの集合をコンパクトに格納し、メモリ消費を大幅に削減する。 コードブックは、完全に訓練された3DGSモデルを圧縮するのに非常に効果的であることが示されているが、コードブック表現を直接訓練することは未解決の課題である。 ContraGSは、ベイズ推論問題としてパラメータ推定を仮定することで、コードブック圧縮表現において微分不可能なパラメータを学習する問題を解く。 この目的のためにContraGSは、MCMCサンプリングを効果的に使用してこれらの圧縮された表現の後部分布をサンプリングするフレームワークを提供する。 ContraGSでは、トレーニング中のピークメモリ(平均3.49倍)とトレーニングとレンダリングの高速化(1.36倍、平均1.88倍)を、最先端品質に近いトレーニングで大幅に削減することを示した。

関連論文リスト

• 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)
• 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)
• 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)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)
• EAGLES: Efficient Accelerated 3D Gaussians with Lightweight EncodingS [40.94643885302646]
  3Dガウシアンスプラッティング(3D-GS)は、ノベルビューシーンの合成で人気がある。 レイディアンス・ニューラル・フィールド(NeRF)に関連する長いトレーニング時間と遅いレンダリング速度の課題に対処する。 本稿では,メモリ単位の記憶容量を大幅に削減するために,量子化埋め込みを利用する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:59:55Z)

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。