論文の概要: BalanceGS: Algorithm-System Co-design for Efficient 3D Gaussian Splatting Training on GPU

• arxiv url: http://arxiv.org/abs/2510.14564v1
• Date: Thu, 16 Oct 2025 11:16:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.827225
• Title: BalanceGS: Algorithm-System Co-design for Efficient 3D Gaussian Splatting Training on GPU
• Title（参考訳）: BalanceGS: GPUによる効率的な3Dガウスプラッティングトレーニングのためのアルゴリズム-システム共設計
• Authors: Junyi Wu, Jiaming Xu, Jinhao Li, Yongkang Zhou, Jiayi Pan, Xingyang Li, Guohao Dai,
• Abstract要約: 3DGSは有望な3D再構築技術として登場した。 3DGSの効率的なトレーニングのためのアルゴリズムとシステムの共同設計である BalanceGS を紹介する。 提案手法は、NVIDIA A100 GPUにおける1.44$timesのトレーニングスピードアップを実現し、品質劣化を無視できる。
• 参考スコア（独自算出の注目度）: 14.147819226084627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a promising 3D reconstruction technique. The traditional 3DGS training pipeline follows three sequential steps: Gaussian densification, Gaussian projection, and color splatting. Despite its promising reconstruction quality, this conventional approach suffers from three critical inefficiencies: (1) Skewed density allocation during Gaussian densification, (2) Imbalanced computation workload during Gaussian projection and (3) Fragmented memory access during color splatting. To tackle the above challenges, we introduce BalanceGS, the algorithm-system co-design for efficient training in 3DGS. (1) At the algorithm level, we propose heuristic workload-sensitive Gaussian density control to automatically balance point distributions - removing 80% redundant Gaussians in dense regions while filling gaps in sparse areas. (2) At the system level, we propose Similarity-based Gaussian sampling and merging, which replaces the static one-to-one thread-pixel mapping with adaptive workload distribution - threads now dynamically process variable numbers of Gaussians based on local cluster density. (3) At the mapping level, we propose reordering-based memory access mapping strategy that restructures RGB storage and enables batch loading in shared memory. Extensive experiments demonstrate that compared with 3DGS, our approach achieves a 1.44$\times$ training speedup on a NVIDIA A100 GPU with negligible quality degradation.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は有望な3D再構成技術として登場した。 従来の3DGSトレーニングパイプラインは、ガウスの密度化、ガウスの投影、カラースプラッティングの3つのステップに従っている。 1) ガウス密度化時のスキュード密度配分,(2) ガウス投影時の不均衡計算負荷,(3) カラースプラッティング時のフラグメンテッドメモリアクセスの3つの重要な非効率性に悩まされている。 上記の課題に対処するため、3DGSの効率的なトレーニングのためのアルゴリズム・システムの共同設計である BalanceGS を紹介した。 1) アルゴリズムレベルでは, 高密度領域における80%の冗長なガウス分布を除去し, スパース領域におけるギャップを埋めるヒューリスティックな作業負荷に敏感なガウス密度制御を提案する。 2) システムレベルでは,静的な1対1のスレッドピクセルマッピングを適応的なワークロード分布に置き換える,類似性に基づくガウスサンプリングとマージを提案する。 (3) マッピングレベルでは,RGBストレージを再構成し,共有メモリのバッチローディングを可能にするリオーダー型メモリアクセスマッピング戦略を提案する。 3DGSと比較して、当社のアプローチは1.44$\times$のトレーニングスピードアップをNVIDIA A100 GPUで達成し、品質劣化を無視できることを示した。

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)
• 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)
• GaussianSpa: An "Optimizing-Sparsifying" Simplification Framework for Compact and High-Quality 3D Gaussian Splatting [12.342660713851227]
  3D Gaussian Splatting (3DGS) は、ガウス関数の連続的な集合を利用して、新しいビュー合成の主流として登場した。 3DGSは、ガウシアンの多さを記憶するためのかなりのメモリ要件に悩まされており、その実用性を妨げている。 コンパクトで高品質な3DGSのための最適化ベースの単純化フレームワークであるGaussianSpaを紹介する。
  論文  参考訳（メタデータ） (2024-11-09T00:38:06Z)
• 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)
• RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
  Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。 本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
  論文  参考訳（メタデータ） (2024-06-03T15:56:58Z)
• 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)
• GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
  我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。 提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。 提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-20T12:08:23Z)

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。