Fugu-MT 論文翻訳(概要): Effective Gaussian Management for High-fidelity Object Reconstruction

論文の概要: Effective Gaussian Management for High-fidelity Object Reconstruction

arxiv url: http://arxiv.org/abs/2509.12742v1
Date: Tue, 16 Sep 2025 06:54:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:52.931924
Title: Effective Gaussian Management for High-fidelity Object Reconstruction
Title（参考訳）: 高忠実度物体再構成のためのガウス的効果的管理
Authors: Jiateng Liu, Hao Gao, Jiu-Cheng Xie, Chi-Man Pun, Jian Xiong, Haolun Li, Feng Xu,
Abstract要約: 本稿では,高忠実度オブジェクト再構成のための効果的なガウス管理手法を提案する。本研究では, 表面再構成モジュールの監督下で球面高調波や正常波を動的に活性化する新しい密度化戦略を提案する。さらに表現効率を向上させるために,各ガウス勾配のSH順序を等級に基づいて適応的に調整する軽量ガウス表現を開発した。
参考スコア（独自算出の注目度）: 42.30197751081944
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes an effective Gaussian management approach for high-fidelity object reconstruction. Departing from recent Gaussian Splatting (GS) methods that employ indiscriminate attribute assignment, our approach introduces a novel densification strategy that dynamically activates spherical harmonics (SHs) or normals under the supervision of a surface reconstruction module, which effectively mitigates the gradient conflicts caused by dual supervision and achieves superior reconstruction results. To further improve representation efficiency, we develop a lightweight Gaussian representation that adaptively adjusts the SH orders of each Gaussian based on gradient magnitudes and performs task-decoupled pruning to remove Gaussian with minimal impact on a reconstruction task without sacrificing others, which balances the representational capacity with parameter quantity. Notably, our management approach is model-agnostic and can be seamlessly integrated into other frameworks, enhancing performance while reducing model size. Extensive experiments demonstrate that our approach consistently outperforms state-of-the-art approaches in both reconstruction quality and efficiency, achieving superior performance with significantly fewer parameters.
Abstract（参考訳）: 本稿では,高忠実度オブジェクト再構成のための効果的なガウス管理手法を提案する。そこで本研究では, 表面再構成モジュールの監督下において, 球面高調波(SH)や正規分布を動的に活性化し, 二重監督による勾配衝突を効果的に軽減し, より優れた再構成結果が得られる新しい密度化戦略を提案する。さらに表現効率を向上させるために,各ガウスのSH順序を勾配等級に基づいて適応的に調整する軽量ガウス表現を開発し,他を犠牲にすることなく,復元作業に最小限の影響でガウス表現を除去するタスク分離プルーニングを行う。特に、私たちの管理アプローチはモデルに依存しないため、他のフレームワークにシームレスに統合することができ、モデルのサイズを減らしながらパフォーマンスを向上させることができます。大規模な実験により,本手法は再現品質と効率の両面において常に最先端の手法より優れており,パラメータが著しく少ない優れた性能を実現していることが示された。

関連論文リスト

StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文参考訳（メタデータ） (2026-03-02T11:35:05Z)
MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes [20.601722393809244]
複雑な都市環境における効率的で堅牢な復興のための新しいフレームワークであるMetroGSを紹介する。本手法は,分散2次元ガウススプラッティング表現を基本基盤として構築する。大規模な都市データセットの実験により、MetroGSはより優れた幾何学的精度、レンダリング品質を達成することが示された。
論文参考訳（メタデータ） (2025-11-24T14:34:19Z)
VGD: Visual Geometry Gaussian Splatting for Feed-Forward Surround-view Driving Reconstruction [26.668204454537246]
我々は,この課題に対処すべく,新しいフィードフォワードエンドツーエンド学習フレームワークであるtextbfVisual Gaussian Driving (VGD)を紹介した。提案手法は, 客観的指標と主観的品質の両方において, 種々の条件下で, 最先端の手法を著しく上回ることを示す。
論文参考訳（メタデータ） (2025-10-22T13:28:49Z)
OMeGa: Joint Optimization of Explicit Meshes and Gaussian Splats for Robust Scene-Level Surface Reconstruction [10.746979229164815]
OMeGaは、明示的な三角形メッシュと2Dガウススプラットを共同で最適化するエンドツーエンドフレームワークである。 OMeGaは、挑戦的な屋内再構築ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-09-29T05:43:40Z)
Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文参考訳（メタデータ） (2025-09-03T18:05:02Z)
Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning [59.6658995479243]
P&M(texttext-Perturb-and-Merge)は,モデルマージをCLパラダイムに統合し,忘れることを避けるための新しい連続学習フレームワークである。理論的解析により、全てのタスクにおける総損失増加を最小化し、最適マージ係数の解析解を導出する。提案手法は,複数の連続学習ベンチマークデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2025-05-28T14:14:19Z)
Memory-Efficient LLM Training by Various-Grained Low-Rank Projection of Gradients [36.31328244962629]
低ランク勾配投影(LoRP)は、メモリ効率の良い微調整のための有望な解である。既存のLoRP法では、勾配行列の各行をデフォルトの射影単位として扱い、射影の粒度の役割は未解明のままである。本稿では、メモリ効率と性能のトレードオフを制御するための追加の自由度を導入することで、低ランク勾配予測を拡張する新しいフレームワークVLoRPを提案する。
論文参考訳（メタデータ） (2025-05-03T08:50:14Z)
InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。 FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文参考訳（メタデータ） (2025-04-02T12:40:57Z)
AniGaussian: Animatable Gaussian Avatar with Pose-guided Deformation [51.61117351997808]
SMPLポーズガイダンスを用いて動的ガウスアバターを拘束する革新的ポーズ誘導変形戦略を導入する。我々は、ガウスモデルの動的変換能力を高めるために、以前の研究から厳密な事前を取り入れた。既存の手法との比較により、AniGaussianは定性的結果と定量的指標の両方において優れた性能を示す。
論文参考訳（メタデータ） (2025-02-24T06:53:37Z)
Self-Consistent Model-based Adaptation for Visual Reinforcement Learning [27.701421196547674]
視覚強化学習エージェントは、視覚障害による実世界のアプリケーションの性能低下に直面している。既存の方法は、手作りの拡張でポリシーの表現を微調整することに依存している。本稿では、ポリシーを変更することなくロバスト適応を促進する新しい手法である自己一貫性モデルベース適応(SCMA)を提案する。
論文参考訳（メタデータ） (2025-02-14T05:23:56Z)
DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。大規模な環境下では、復元の質が悪くなる場合が少なくない。本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文参考訳（メタデータ） (2024-11-19T07:51:44Z)
Contribution-based Low-Rank Adaptation with Pre-training Model for Real Image Restoration [13.107571213220123]
複数画像復元のためのコントリビューションベース低ランク適応(CoLoRA)と呼ばれる新しいパラメータチューニング手法を提案する。 PRODを用いた我々のCoLoRAは, 合成データセットと実世界のデータセットの多種多様な劣化タイプにまたがって, 様々な画像復元タスクにおいて優れた性能を示した。
論文参考訳（メタデータ） (2024-08-02T08:24:05Z)
Adversarial Style Transfer for Robust Policy Optimization in Deep Reinforcement Learning [13.652106087606471]
本稿では,特徴量に対する過度な適合を取り除き,強化学習エージェントの一般化をめざすアルゴリズムを提案する。政策ネットワークは、そのパラメータを更新し、そのような摂動の影響を最小限に抑え、将来期待される報酬を最大化しながら頑健に維持する。一般化とサンプル効率向上のためのProcgen and Distracting Control Suiteに対するアプローチを評価した。
論文参考訳（メタデータ） (2023-08-29T18:17:35Z)

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。