論文の概要: LOBE-GS: Load-Balanced and Efficient 3D Gaussian Splatting for Large-Scale Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2510.01767v1
• Date: Thu, 02 Oct 2025 08:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.048676
• Title: LOBE-GS: Load-Balanced and Efficient 3D Gaussian Splatting for Large-Scale Scene Reconstruction
• Title（参考訳）: LOBE-GS:大規模シーン再構成のためのロードバランシングと高効率3次元ガウススプラッティング
• Authors: Sheng-Hsiang Hung, Ting-Yu Yen, Wei-Fang Sun, Simon See, Shih-Hsuan Hung, Hung-Kuo Chu,
• Abstract要約: 3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3Dシーン再構築のための効率的な表現として確立されている。 本稿では,ロードバランシングと効率的な3DガウススティングフレームワークであるLoBE-GSを紹介する。 LoBE-GSは、最先端のベースラインよりも、エンドツーエンドのトレーニングタイムが最大2ドル高速になる。
• 参考スコア（独自算出の注目度）: 24.185537949073723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has established itself as an efficient representation for real-time, high-fidelity 3D scene reconstruction. However, scaling 3DGS to large and unbounded scenes such as city blocks remains difficult. Existing divide-and-conquer methods alleviate memory pressure by partitioning the scene into blocks, but introduce new bottlenecks: (i) partitions suffer from severe load imbalance since uniform or heuristic splits do not reflect actual computational demands, and (ii) coarse-to-fine pipelines fail to exploit the coarse stage efficiently, often reloading the entire model and incurring high overhead. In this work, we introduce LoBE-GS, a novel Load-Balanced and Efficient 3D Gaussian Splatting framework, that re-engineers the large-scale 3DGS pipeline. LoBE-GS introduces a depth-aware partitioning method that reduces preprocessing from hours to minutes, an optimization-based strategy that balances visible Gaussians -- a strong proxy for computational load -- across blocks, and two lightweight techniques, visibility cropping and selective densification, to further reduce training cost. Evaluations on large-scale urban and outdoor datasets show that LoBE-GS consistently achieves up to $2\times$ faster end-to-end training time than state-of-the-art baselines, while maintaining reconstruction quality and enabling scalability to scenes infeasible with vanilla 3DGS.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3Dシーン再構成のための効率的な表現として確立されている。 しかし,3DGSを都市ブロックなどの大規模・未境界のシーンに拡張することは依然として困難である。 既存のパーティション・アンド・コンカーメソッドは、シーンをブロックに分割することでメモリの圧力を軽減するが、新しいボトルネックを導入する。 一 均一分割又はヒューリスティック分割が実際の計算要求を反映しないため、過酷な負荷不均衡に苦しむこと。 (II)粗いパイプラインは、粗いステージを効率的に活用することができず、しばしばモデル全体をリロードし、高いオーバーヘッドを発生させる。 本稿では,大規模3DGSパイプラインを再設計する新しい3Dガウス分割フレームワークであるLoBE-GSを紹介する。 LoBE-GSは、前処理を数時間から数分に短縮するDeep-Aware partitioning(深度対応のパーティショニング)方法、ブロック間で可視的なガウシアン – 計算負荷の強力なプロキシ – のバランスをとる最適化ベースの戦略、および2つの軽量技術、可視的トリッピングと選択的デンシフィケーションによるトレーニングコストの削減を導入している。 大規模な都市および屋外データセットの評価によると、LoBE-GSは、最先端のベースラインよりも最高2ドル(約2,300円)のエンドツーエンドトレーニングタイムを実現し、再構築品質を維持しながら、バニラ3DGSで実現不可能なシーンへのスケーラビリティを実現している。

関連論文リスト

• Scale-GS: Efficient Scalable Gaussian Splatting via Redundancy-filtering Training on Streaming Content [28.476493987089466]
  本稿では,ストリーミングタスクを効率的にトレーニングするためのスケーラブルなガウススプレイティングフレームワークであるMについて述べる。 Mは、最先端の手法と比較して、トレーニング時間を著しく短縮しつつ、優れた視覚的品質を達成する。
  論文  参考訳（メタデータ） (2025-08-29T09:13:04Z)
• LODGE: Level-of-Detail Large-Scale Gaussian Splatting with Efficient Rendering [68.93333348474988]
  メモリ制約デバイス上での3次元ガウススプラッティングのための新しいレベル・オブ・ディーテール(LOD)法を提案する。 カメラ距離に基づいてガウスの最適部分集合を反復的に選択する。 本手法は,屋外(階層型3DGS)と屋内(Zip-NeRF)の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-05-29T06:50:57Z)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• S3R-GS: Streamlining the Pipeline for Large-Scale Street Scene Reconstruction [58.37746062258149]
  3D Gaussian Splatting(3DGS)は、3D再構成の分野を変え、素晴らしいレンダリング品質とスピードを実現した。 既存の手法では、シーンサイズが大きくなるにつれて、ビューポイント当たりの再生コストが急速に増大する。 大規模なストリートシーン再構築のためのパイプラインをストリーム化する3DGSフレームワークであるS3R-GSを提案する。
  論文  参考訳（メタデータ） (2025-03-11T09:37:13Z)
• LiteGS: A High-performance Framework to Train 3DGS in Subminutes via System and Algorithm Codesign [6.7123686385076615]
  3D Gaussian Splatting (3DGS)は、3D表現において有望な代替手段として登場したが、それでも高いトレーニングコストに悩まされている。 本稿では、3DGSトレーニングパイプラインを体系的に最適化する高性能計算フレームワークであるLiteGSを紹介する。 実験の結果、LiteGSはオリジナルの3DGSトレーニングを最大13.4倍、同等または優れた品質で加速した。
  論文  参考訳（メタデータ） (2025-03-03T05:52:02Z)
• HiCoM: Hierarchical Coherent Motion for Streamable Dynamic Scene with 3D Gaussian Splatting [7.507657419706855]
  本稿では,HiCoMと呼ばれる3つの重要なコンポーネントを持つ効率的なフレームワークを提案する。 まず、摂動平滑化戦略を用いて、コンパクトで頑健な初期3DGS表現を構築する。 次に、3次元ガウスの固有非一様分布と局所的一貫性を利用する階層的コヒーレント運動機構を導入する。 2つの広く利用されているデータセットを用いて行った実験により、我々のフレームワークは最先端の手法の学習効率を約20%向上することが示された。
  論文  参考訳（メタデータ） (2024-11-12T04:40:27Z)
• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)

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。