論文の概要: MoE-GS: Mixture of Experts for Dynamic Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2510.19210v1
• Date: Wed, 22 Oct 2025 03:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.030223
• Title: MoE-GS: Mixture of Experts for Dynamic Gaussian Splatting
• Title（参考訳）: MoE-GS:動的ガウスめっきの専門家の混在
• Authors: In-Hwan Jin, Hyeongju Mun, Joonsoo Kim, Kugjin Yun, Kyeongbo Kong,
• Abstract要約: 本稿では,新しいVolume-aware Pixel Routerを用いて,複数の専門家を統合した統合フレームワークを提案する。 我々のルータは、体積ガウスレベルの重みをピクセル空間に投影することで、専門家の出力を適応的にブレンドする。 MoE-GSは、改善された効率で最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 10.402941187323377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in dynamic scene reconstruction have significantly benefited from 3D Gaussian Splatting, yet existing methods show inconsistent performance across diverse scenes, indicating no single approach effectively handles all dynamic challenges. To overcome these limitations, we propose Mixture of Experts for Dynamic Gaussian Splatting (MoE-GS), a unified framework integrating multiple specialized experts via a novel Volume-aware Pixel Router. Our router adaptively blends expert outputs by projecting volumetric Gaussian-level weights into pixel space through differentiable weight splatting, ensuring spatially and temporally coherent results. Although MoE-GS improves rendering quality, the increased model capacity and reduced FPS are inherent to the MoE architecture. To mitigate this, we explore two complementary directions: (1) single-pass multi-expert rendering and gate-aware Gaussian pruning, which improve efficiency within the MoE framework, and (2) a distillation strategy that transfers MoE performance to individual experts, enabling lightweight deployment without architectural changes. To the best of our knowledge, MoE-GS is the first approach incorporating Mixture-of-Experts techniques into dynamic Gaussian splatting. Extensive experiments on the N3V and Technicolor datasets demonstrate that MoE-GS consistently outperforms state-of-the-art methods with improved efficiency. Video demonstrations are available at https://anonymous.4open.science/w/MoE-GS-68BA/.
• Abstract（参考訳）: 動的シーン再構築の最近の進歩は3次元ガウススプラッティングの恩恵を受けているが、既存の手法では様々なシーンで不整合性を示しており、全ての動的な課題に効果的に対処する単一のアプローチは存在しない。 これらの制約を克服するため、我々は、新しいVolume-aware Pixel Routerを通じて複数の専門専門家を統合する統合フレームワークであるMixture of Experts for Dynamic Gaussian Splatting (MoE-GS)を提案する。 我々のルータは,空間的および時間的に整合した結果を確保するために,体積ガウスレベルの重みを微分可能な重み分割によって画素空間に投影することで,専門家の出力を適応的にブレンドする。 MoE-GSはレンダリング品質を改善するが、モデル容量の増大とFPSの削減はMoEアーキテクチャに固有のものである。 そこで我々は,(1)MoEフレームワーク内で効率を向上するシングルパスマルチエキスパートレンダリングとゲート対応ガウスプルーニング,(2)MoE性能を個々の専門家に伝達し,アーキテクチャ変更なしに軽量な展開を可能にする蒸留戦略の2つの相補的な方向について検討する。 私たちの知る限りでは、MoE-GSはMixture-of-Expertsテクニックを動的ガウススプラッティングに取り入れた最初のアプローチである。 N3VとTechnicolorのデータセットに関する大規模な実験は、MoE-GSが常に最先端の手法より優れ、効率が向上していることを示している。 ビデオデモはhttps://anonymous.4open.science/w/MoE-GS-68BA/で公開されている。

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)
• Laplacian Analysis Meets Dynamics Modelling: Gaussian Splatting for 4D Reconstruction [9.911802466255653]
  本稿では,ハイブリッドな明示的関数を持つ動的3DGSフレームワークを提案する。 本手法は, 複雑な動的シーンを再構築する際の最先端性能を実証し, 再現精度を向上する。
  論文  参考訳（メタデータ） (2025-08-07T01:39:29Z)
• Duplex-GS: Proxy-Guided Weighted Blending for Real-Time Order-Independent Gaussian Splatting [37.17972426764452]
  本稿では、プロキシガウス表現と順序に依存しないレンダリング技術を統合する二重階層フレームワークを提案する。 我々は、我々のフレームワークとオーダー独立透明性(OIT)をシームレスに組み合わせることで、物理的にインスパイアされた重み付けされた和レンダリング技術を開発し、同時に「ポーピング」と「透明性」アーティファクトを除去する。 提案手法は,既存のOITをベースとしたガウス版よりも1.5～4倍高速で高品質なレンダリングを実現し,ガウス版におけるOITレンダリングの利点を検証した。
  論文  参考訳（メタデータ） (2025-08-05T07:44:30Z)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)
• Textured-GS: Gaussian Splatting with Spatially Defined Color and Opacity [7.861993966048637]
  Spherical Harmonics (SH) を用いたガウス平滑化手法である Textured-GS を導入する。 このアプローチにより、各ガウス多様体は、その表面の様々な色や不透明度を調節することで、よりリッチな表現を表現できる。 実験の結果,Textured-GS はベースラインのMini-Splatting と標準の3DGS を視覚的忠実度で一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-07-13T00:45:37Z)
• Dynamic Gaussian Marbles for Novel View Synthesis of Casual Monocular Videos [58.22272760132996]
  既存の4次元ガウス法は単分子配置が制約されていないため、この設定で劇的に失敗することを示す。 単分子配置の難易度を目標とした3つのコア修正からなる動的ガウス大理石を提案する。 Nvidia Dynamic ScenesデータセットとDyCheck iPhoneデータセットを評価し,Gaussian Marblesが他のGaussianベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-26T19:37:07Z)
• MVSGaussian: Fast Generalizable Gaussian Splatting Reconstruction from Multi-View Stereo [54.00987996368157]
  MVSGaussianは、Multi-View Stereo(MVS)から導かれる新しい一般化可能な3次元ガウス表現手法である。 MVSGaussianは、シーンごとにより良い合成品質でリアルタイムレンダリングを実現する。
  論文  参考訳（メタデータ） (2024-05-20T17:59:30Z)

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。