Fugu-MT 論文翻訳(概要): Leveraging Learned Image Prior for 3D Gaussian Compression

論文の概要: Leveraging Learned Image Prior for 3D Gaussian Compression

arxiv url: http://arxiv.org/abs/2510.14705v1
Date: Thu, 16 Oct 2025 14:10:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-17 21:15:14.889746
Title: Leveraging Learned Image Prior for 3D Gaussian Compression
Title（参考訳）: 3次元ガウス圧縮に先立つ学習画像の活用
Authors: Seungjoo Shin, Jaesik Park, Sunghyun Cho,
Abstract要約: 圧縮による品質劣化を回復するために,学習画像の強力な表現能力を活用する新しい3DGS圧縮フレームワークを提案する。我々のフレームワークは既存のガウス圧縮手法と互換性があり、様々なベースラインに広く適用できるように設計されている。
参考スコア（独自算出の注目度）: 47.29061692878941
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Compression techniques for 3D Gaussian Splatting (3DGS) have recently achieved considerable success in minimizing storage overhead for 3D Gaussians while preserving high rendering quality. Despite the impressive storage reduction, the lack of learned priors restricts further advances in the rate-distortion trade-off for 3DGS compression tasks. To address this, we introduce a novel 3DGS compression framework that leverages the powerful representational capacity of learned image priors to recover compression-induced quality degradation. Built upon initially compressed Gaussians, our restoration network effectively models the compression artifacts in the image space between degraded and original Gaussians. To enhance the rate-distortion performance, we provide coarse rendering residuals into the restoration network as side information. By leveraging the supervision of restored images, the compressed Gaussians are refined, resulting in a highly compact representation with enhanced rendering performance. Our framework is designed to be compatible with existing Gaussian compression methods, making it broadly applicable across different baselines. Extensive experiments validate the effectiveness of our framework, demonstrating superior rate-distortion performance and outperforming the rendering quality of state-of-the-art 3DGS compression methods while requiring substantially less storage.
Abstract（参考訳）: 3Dガウススティング(3DGS)の圧縮技術は,高レンダリング品質を維持しつつ,3Dガウスのストレージオーバーヘッドを最小限に抑えることに成功している。ストレージの大幅な削減にもかかわらず、3DGS圧縮タスクの速度歪みトレードオフのさらなる進歩は、学習前の知識の欠如によって制限される。そこで本稿では,学習前の画像の強力な表現能力を活用して,圧縮による品質劣化を回復する新しい3DGS圧縮フレームワークを提案する。我々の復元ネットワークは、最初に圧縮されたガウシアンに基づいて構築され、劣化したガウシアンとオリジナルのガウシアンの間の画像空間における圧縮アーティファクトを効果的にモデル化する。レート歪み性能を向上させるため、修復ネットワークに粗いレンダリング残差を副次情報として提供する。復元された画像の監督を活用することにより、圧縮されたガウスが洗練され、レンダリング性能が向上した非常にコンパクトな表現が得られる。我々のフレームワークは既存のガウス圧縮手法と互換性があり、様々なベースラインに広く適用できるように設計されている。大規模な実験により,本フレームワークの有効性が検証され,性能が向上し,最先端の3DGS圧縮手法のレンダリング品質が向上すると同時に,ストレージの大幅な削減が図られた。

論文の概要: Leveraging Learned Image Prior for 3D Gaussian Compression

関連論文リスト