論文の概要: ReSplat: Learning Recurrent Gaussian Splats

• arxiv url: http://arxiv.org/abs/2510.08575v1
• Date: Thu, 09 Oct 2025 17:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.316998
• Title: ReSplat: Learning Recurrent Gaussian Splats
• Title（参考訳）: ReSplat: 繰り返しガウススプットを学習する
• Authors: Haofei Xu, Daniel Barath, Andreas Geiger, Marc Pollefeys,
• Abstract要約: ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。 我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。 提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 98.14472247275512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While feed-forward Gaussian splatting models provide computational efficiency and effectively handle sparse input settings, their performance is fundamentally limited by the reliance on a single forward pass during inference. We propose ReSplat, a feed-forward recurrent Gaussian splatting model that iteratively refines 3D Gaussians without explicitly computing gradients. Our key insight is that the Gaussian splatting rendering error serves as a rich feedback signal, guiding the recurrent network to learn effective Gaussian updates. This feedback signal naturally adapts to unseen data distributions at test time, enabling robust generalization. To initialize the recurrent process, we introduce a compact reconstruction model that operates in a $16 \times$ subsampled space, producing $16 \times$ fewer Gaussians than previous per-pixel Gaussian models. This substantially reduces computational overhead and allows for efficient Gaussian updates. Extensive experiments across varying of input views (2, 8, 16), resolutions ($256 \times 256$ to $540 \times 960$), and datasets (DL3DV and RealEstate10K) demonstrate that our method achieves state-of-the-art performance while significantly reducing the number of Gaussians and improving the rendering speed. Our project page is at https://haofeixu.github.io/resplat/.
• Abstract（参考訳）: フィードフォワードガウススプラッティングモデルは計算効率を提供し、スパース入力設定を効果的に処理するが、その性能は推論中に1つのフォワードパスに依存することにより根本的に制限される。 本稿では,3次元ガウスを漸進的に洗練するフィードフォワードリカレントなガウススプラッティングモデルであるReSplatを提案する。 我々の重要な洞察は、ガウスのスプラッティングレンダリングエラーが豊かなフィードバック信号として機能し、ガウスの更新を効果的に学習するために繰り返しネットワークを導くことである。 このフィードバック信号は、テスト時に目に見えないデータ分布に自然に適応し、堅牢な一般化を可能にする。 再帰過程を初期化するために、我々は16 \times$サブサンプル空間で機能するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16 \times$より少ないガウスモデルを生成する。 これにより計算オーバーヘッドを大幅に減らし、効率的なガウス更新が可能となる。 様々な入力ビュー(2,8,16),解像度(256 \times 256$から540 \times 960$),データセット(DL3DVとRealEstate10K)の多種多様な実験により,ガウス数を大幅に削減し,レンダリング速度を向上した。 私たちのプロジェクトページはhttps://haofeixu.github.io/resplat/です。

関連論文リスト

• Second-order Optimization of Gaussian Splats with Importance Sampling [51.95046424364725]
  3D Gaussian Splatting (3DGS) は、高品質で高速な推論時間のため、新しいビューレンダリングに広く用いられている。 本稿では,Levenberg-Marquardt (LM) と Conjugate Gradient (CG) に基づく新しい2階最適化手法を提案する。 提案手法は標準LMよりも3倍の高速化を実現し,ガウス数が少ない場合のAdamを6倍の6倍の速さで上回る。
  論文  参考訳（メタデータ） (2025-04-17T12:52:08Z)
• ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。 近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。 本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-21T18:55:14Z)
• MaskGaussian: Adaptive 3D Gaussian Representation from Probabilistic Masks [10.860209186365344]
  3D Gaussian Splattingは、新しいビュー合成とリアルタイムレンダリングにおいて顕著な性能を示した。 しかし、数百万ガウスの使用によるメモリ消費の増大は、その実用性を制限している。 ガウスを恒久的に除去するのではなく確率的実体としてモデル化するMaskGaussianを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:12:16Z)
• MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images [102.7646120414055]
  入力としてスパースなマルチビュー画像を与えられたMVSplatは、クリーンなフィードフォワード3Dガウスを予測できる。 大規模RealEstate10KとACIDベンチマークでは、MVSplatは高速フィードフォワード推論速度(22fps)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） (2024-03-21T17:59:58Z)
• 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)
• SuGaR: Surface-Aligned Gaussian Splatting for Efficient 3D Mesh Reconstruction and High-Quality Mesh Rendering [24.91019554830571]
  本稿では,3次元ガウス格子から高精度かつ極めて高速なメッシュ抽出を可能にする手法を提案する。 しかし、これらのガウス人は最適化後に非組織化される傾向があるため、何百万もの小さな3Dガウスからメッシュを抽出することは困難である。
  論文  参考訳（メタデータ） (2023-11-21T18:38:03Z)

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。