論文の概要: MEGS$^{2}$: Memory-Efficient Gaussian Splatting via Spherical Gaussians and Unified Pruning

• arxiv url: http://arxiv.org/abs/2509.07021v1
• Date: Sun, 07 Sep 2025 07:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.03167
• Title: MEGS$^{2}$: Memory-Efficient Gaussian Splatting via Spherical Gaussians and Unified Pruning
• Title（参考訳）: MEGS$^{2}$: 球状ガウスと統一プルーニングによるメモリ効率の良いガウススプラッティング
• Authors: Jiarui Chen, Yikeng Chen, Yingshuang Zou, Ye Huang, Peng Wang, Yuan Liu, Yujing Sun, Wenping Wang,
• Abstract要約: 3DGSレンダリングのための新しいメモリ効率フレームワークであるMEGS$2$を紹介する。 我々は、メモリ集約的な球面調和を、任意指向の軽量な球面ガウスローブを色表現として置き換える。 MEGS$2$は、既存の方法に比べて50%の静的VRAM削減と40%のレンダリングVRAM削減を実現している。
• 参考スコア（独自算出の注目度）: 30.870590584591557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a dominant novel-view synthesis technique, but its high memory consumption severely limits its applicability on edge devices. A growing number of 3DGS compression methods have been proposed to make 3DGS more efficient, yet most only focus on storage compression and fail to address the critical bottleneck of rendering memory. To address this problem, we introduce MEGS$^{2}$, a novel memory-efficient framework that tackles this challenge by jointly optimizing two key factors: the total primitive number and the parameters per primitive, achieving unprecedented memory compression. Specifically, we replace the memory-intensive spherical harmonics with lightweight arbitrarily-oriented spherical Gaussian lobes as our color representations. More importantly, we propose a unified soft pruning framework that models primitive-number and lobe-number pruning as a single constrained optimization problem. Experiments show that MEGS$^{2}$ achieves a 50% static VRAM reduction and a 40% rendering VRAM reduction compared to existing methods, while maintaining comparable rendering quality.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は新規ビュー合成技術として注目されているが、その高メモリ消費はエッジデバイスへの適用性を著しく制限している。 3DGSを効率良くするために、多くの3DGS圧縮法が提案されているが、ほとんどの場合、ストレージ圧縮にのみ焦点を合わせ、レンダリングメモリの致命的なボトルネックに対処できない。 この問題に対処するために,プリミティブ数とプリミティブあたりのパラメータの合計を最適化し,前例のないメモリ圧縮を実現することで,この問題に対処する新しいメモリ効率フレームワークMEGS$^{2}$を紹介した。 具体的には、メモリ集約的な球面調和を、軽量な任意指向の球面ガウスローブを色表現として置き換える。 さらに,1つの制約付き最適化問題としてプリミティブナンバーとローブナンバープルーニングをモデル化した,統一型ソフトプルーニングフレームワークを提案する。 MEGS$^{2}$は、既存の方法と比較して50%の静的VRAM削減と40%のレンダリングVRAM削減を実現し、同等のレンダリング品質を維持している。

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)
• Optimized Minimal 3D Gaussian Splatting [10.344911588975199]
  3D Gaussian Splatting (3DGS) はリアルタイム・ハイパフォーマンスレンダリングの強力な表現として登場した。 多数の明示的なガウスプリミティブによる3Dシーンの表現は、大きなストレージとメモリオーバーヘッドを課す。 プリミティブ間の連続性と不規則性の両方を効率的にキャプチャする,コンパクトで正確な属性表現を提案する。
  論文  参考訳（メタデータ） (2025-03-21T07:41:45Z)
• MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
  本稿では,4DGSのためのメモリ効率フレームワークを提案する。 TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。 レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-10-17T14:47:08Z)
• 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)

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。