論文の概要: ExGS: Extreme 3D Gaussian Compression with Diffusion Priors

• arxiv url: http://arxiv.org/abs/2509.24758v2
• Date: Fri, 03 Oct 2025 03:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 12:05:48.045599
• Title: ExGS: Extreme 3D Gaussian Compression with Diffusion Priors
• Title（参考訳）: ExGS:超3Dガウス圧縮と拡散優先
• Authors: Jiaqi Chen, Xinhao Ji, Yuanyuan Gao, Hao Li, Yuning Gong, Yifei Liu, Dan Xu, Zhihang Zhong, Dingwen Zhang, Xiao Sun,
• Abstract要約: ExGSは,Universal Gaussian Compression(UGC)とGaussPainter Extreme 3DGS圧縮を一体化した新しいフィードフォワードフレームワークである。 我々のフレームワークは100X以上の圧縮(典型的な354.77MBモデルを約3.31MBに還元する)を達成できる一方で、忠実さを保ち、挑戦的な条件下で画像品質を著しく向上させることができる。
• 参考スコア（独自算出の注目度）: 60.7245825868903
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Neural scene representations, such as 3D Gaussian Splatting (3DGS), have enabled high-quality neural rendering; however, their large storage and transmission costs hinder deployment in resource-constrained environments. Existing compression methods either rely on costly optimization, which is slow and scene-specific, or adopt training-free pruning and quantization, which degrade rendering quality under high compression ratios. In contrast, recent data-driven approaches provide a promising direction to overcome this trade-off, enabling efficient compression while preserving high rendering quality.We introduce ExGS, a novel feed-forward framework that unifies Universal Gaussian Compression (UGC) with GaussPainter for Extreme 3DGS compression. UGC performs re-optimization-free pruning to aggressively reduce Gaussian primitives while retaining only essential information, whereas GaussPainter leverages powerful diffusion priors with mask-guided refinement to restore high-quality renderings from heavily pruned Gaussian scenes. Unlike conventional inpainting, GaussPainter not only fills in missing regions but also enhances visible pixels, yielding substantial improvements in degraded renderings.To ensure practicality, it adopts a lightweight VAE and a one-step diffusion design, enabling real-time restoration. Our framework can even achieve over 100X compression (reducing a typical 354.77 MB model to about 3.31 MB) while preserving fidelity and significantly improving image quality under challenging conditions. These results highlight the central role of diffusion priors in bridging the gap between extreme compression and high-quality neural rendering.Our code repository will be released at: https://github.com/chenttt2001/ExGS
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)のようなニューラルシーンの表現は、高品質なニューラルレンダリングを実現しているが、その大きなストレージと送信コストは、リソース制約された環境への展開を妨げる。 既存の圧縮手法は、遅くてシーン固有のコスト最適化や、高い圧縮比でレンダリング品質を低下させるトレーニング不要のプルーニングと量子化を採用する。 対照的に、最近のデータ駆動型アプローチは、このトレードオフを克服し、高いレンダリング品質を維持しながら効率的な圧縮を可能にする、有望な方向を提供する。我々は、Universal Gaussian Compression (UGC)をEGSとGaussPainter for Extreme 3DGS圧縮を統合する新しいフィードフォワードフレームワークであるExGSを紹介した。 UGCはガウスのプリミティブを積極的に減らし、必須情報のみを保持しながら再最適化のないプルーニングを行う一方、ガウスパインターはマスク誘導の洗練による強力な拡散の先例を活用して、重いプルーニングされたガウスのシーンから高品質なレンダリングを復元する。 従来の塗装とは異なり、GaussPainterは欠落した領域を埋めるだけでなく、可視画素も強化し、劣化レンダリングを大幅に改善し、実用性を確保するために軽量なVAEとワンステップ拡散設計を採用し、リアルタイムの復元を可能にしている。 我々のフレームワークは100X以上の圧縮(典型的な354.77MBモデルを約3.31MBに還元する)を達成できる一方で、忠実さを保ち、挑戦的な条件下で画像品質を著しく向上させることができる。 これらの結果は、極端な圧縮と高品質なニューラルレンダリングのギャップを埋める上での拡散前の中心的な役割を強調します。

関連論文リスト

• SODiff: Semantic-Oriented Diffusion Model for JPEG Compression Artifacts Removal [50.90827365790281]
  SODiffはJPEGアーティファクト削除のためのセマンティック指向のワンステップ拡散モデルである。 我々の中核的な考え方は、効果的な復元ヒンジは、事前訓練された拡散モデルに対する意味指向的なガイダンスを提供することである。 SAIPEは、低品質(LQ)画像からリッチな特徴を抽出し、テキストエンコーダとセマンティックに整合した埋め込み空間に投影する。
  論文  参考訳（メタデータ） (2025-08-10T13:48:07Z)
• SA-3DGS: A Self-Adaptive Compression Method for 3D Gaussian Splatting [7.2885462122720455]
  近年の3次元ガウス平滑化は, 効率的かつ高品質な新規なビュー合成を向上している。 シーンを表すには多数のガウスポイントが必要で、高いストレージ要求と実用的なデプロイメントの制限につながります。 レンダリング品質を維持しながらストレージコストを大幅に削減するSA-3DGSを提案する。
  論文  参考訳（メタデータ） (2025-08-05T02:55:47Z)
• 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)
• HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。 高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。 私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
  論文  参考訳（メタデータ） (2024-03-21T16:28:58Z)

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。