論文の概要: Opacity-Gradient Driven Density Control for Compact and Efficient Few-Shot 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2510.10257v1
• Date: Sat, 11 Oct 2025 15:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.862996
• Title: Opacity-Gradient Driven Density Control for Compact and Efficient Few-Shot 3D Gaussian Splatting
• Title（参考訳）: コンパクトかつ高効率なFew-Shot 3DガウススプレイティングのためのOpacity-Gradient-Driven Density Control
• Authors: Abdelrhman Elrawy, Emad A. Mohammed,
• Abstract要約: 本稿では,3DGSの最適化を最適化し,効率を優先するフレームワークを提案する。 我々は、標準位置勾配を、不透明度勾配をレンダリングエラーの軽量プロキシとして利用する新しい密度化トリガに置き換える。 3ビューのLLFFデータセットでは、我々のモデルはFSGSよりも40%以上コンパクト(32k対57kプリミティブ)であり、Mip-NeRF 360データセットでは約70%の削減を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) struggles in few-shot scenarios, where its standard adaptive density control (ADC) can lead to overfitting and bloated reconstructions. While state-of-the-art methods like FSGS improve quality, they often do so by significantly increasing the primitive count. This paper presents a framework that revises the core 3DGS optimization to prioritize efficiency. We replace the standard positional gradient heuristic with a novel densification trigger that uses the opacity gradient as a lightweight proxy for rendering error. We find this aggressive densification is only effective when paired with a more conservative pruning schedule, which prevents destructive optimization cycles. Combined with a standard depth-correlation loss for geometric guidance, our framework demonstrates a fundamental improvement in efficiency. On the 3-view LLFF dataset, our model is over 40% more compact (32k vs. 57k primitives) than FSGS, and on the Mip-NeRF 360 dataset, it achieves a reduction of approximately 70%. This dramatic gain in compactness is achieved with a modest trade-off in reconstruction metrics, establishing a new state-of-the-art on the quality-vs-efficiency Pareto frontier for few-shot view synthesis.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、標準的な適応密度制御(ADC)が過度に適合し、肥大化した再構築につながる、いくつかのシナリオで苦労している。 FSGSのような最先端の手法は品質を向上するが、プリミティブカウントを著しく増加させることで、しばしばそうする。 本稿では,3DGSの最適化を最適化し,効率を優先するフレームワークを提案する。 我々は、標準位置勾配ヒューリスティックを、不透明度勾配をレンダリングエラーの軽量プロキシとして利用する新しい密度化トリガに置き換える。 このアグレッシブデンシフィケーションは、より保守的なプルーニングスケジュールと組み合わせることで、破壊的な最適化サイクルを防ぐことができる。 幾何誘導のための標準深度相関損失と組み合わせることで,本フレームワークは効率の根本的な改善を示す。 3ビューのLLFFデータセットでは、我々のモデルはFSGSよりも40%以上コンパクト(32k対57kプリミティブ)であり、Mip-NeRF 360データセットでは約70%の削減を実現している。 このコンパクト化の劇的な向上は、再現性指標のわずかなトレードオフによって達成され、数ショットビュー合成のための品質と効率のParetoフロンティアの新たな最先端を確立している。

関連論文リスト

• Gaussian Herding across Pens: An Optimal Transport Perspective on Global Gaussian Reduction for 3DGS [13.03299802566674]
  3DGSは、放射場レンダリングの強力な技術として登場したが、通常は数百万の冗長なガウスプリミティブを必要とする。 本稿では,グローバルなガウス混合還元として3DGSのコンパクト化を推し進める,新しい最適輸送視点を提案する。 本手法は,バニラおよび加速3DGSパイプラインの任意の段階に適用可能であり,軽量なニューラルレンダリングへの効率的かつ非依存的な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-11T09:04:44Z)
• Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
  3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。 本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。 我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
  論文  参考訳（メタデータ） (2025-05-08T18:41:38Z)
• Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
  マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。 4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。 その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
  論文  参考訳（メタデータ） (2025-04-08T07:15:58Z)
• 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)
• Efficient Density Control for 3D Gaussian Splatting [3.6626434111127075]
  3DGSはガウス数を増やすために適応密度制御を採用している。 レンダリング品質に影響を与える過度に適合したガウシアンが存在する可能性があり、元のADCはそれらを取り除くことができない。 Long-Axis Splitは子ガウスの位置、形状、不透明度を正確に制御し、分割前後の差を最小限に抑える。 不透明度を過度に設定したガウス人にリセットした後の回復速度の差を利用するリカバリ対応プルーニング。
  論文  参考訳（メタデータ） (2024-11-15T12:12:56Z)
• 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)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)

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。