論文の概要: DC4GS: Directional Consistency-Driven Adaptive Density Control for 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2510.26921v1
- Date: Thu, 30 Oct 2025 18:33:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 17:52:15.89201
- Title: DC4GS: Directional Consistency-Driven Adaptive Density Control for 3D Gaussian Splatting
- Title（参考訳）: DC4GS:3次元ガウス平滑化のための方向整合性駆動型適応密度制御
- Authors: Moonsoo Jeong, Dongbeen Kim, Minseong Kim, Sungkil Lee,
- Abstract要約: 直交整合性(DC)駆動型適応密度制御(ADC)を3次元ガウス平滑化(DC4GS)に適用する。
我々のDCは、ADCの局所的な構造的複雑さをよりよく捉え、冗長な分割を避けます。
我々のDC4GSは、既存のADCよりもプリミティブの数(実験で最大30%)を大幅に削減し、再構築の忠実度を大幅に向上させます。
- 参考スコア（独自算出の注目度）: 1.7819340117474007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a Directional Consistency (DC)-driven Adaptive Density Control (ADC) for 3D Gaussian Splatting (DC4GS). Whereas the conventional ADC bases its primitive splitting on the magnitudes of positional gradients, we further incorporate the DC of the gradients into ADC, and realize it through the angular coherence of the gradients. Our DC better captures local structural complexities in ADC, avoiding redundant splitting. When splitting is required, we again utilize the DC to define optimal split positions so that sub-primitives best align with the local structures than the conventional random placement. As a consequence, our DC4GS greatly reduces the number of primitives (up to 30% in our experiments) than the existing ADC, and also enhances reconstruction fidelity greatly.
- Abstract（参考訳）: 本稿では,3次元ガウス散乱(DC4GS)のための指向性整合性(DC)駆動適応密度制御(ADC)を提案する。
従来のADCは、位置勾配の大きさに基づいて原始的な分割を行っているが、さらに勾配の直流をADCに組み込んで、勾配の角度コヒーレンスを通じて実現している。
我々のDCは、ADCの局所的な構造的複雑さをよりよく捉え、冗長な分割を避けます。
分割が必要な場合、直流を用いて最適な分割位置を定義することにより、サブプライミティブが従来のランダム配置よりも局所構造と最適に一致できるようにします。
その結果、DC4GSは既存のADCよりもプリミティブ(実験で最大30%)の数を大幅に減らし、再構築の忠実度を大幅に向上させることができた。
関連論文リスト
- Revising Densification in Gaussian Splatting [23.037676471903215]
本稿では,3DGSにおける密度制御のための画素エラー駆動型定式化について述べる。
我々のアプローチは、メソッドの効率を犠牲にすることなく、様々なベンチマークシーンで一貫した品質改善をもたらす。
論文 参考訳（メタデータ） (2024-04-09T08:20:37Z) - Decentralized SGD and Average-direction SAM are Asymptotically
Equivalent [101.37242096601315]
分散勾配降下(D-SGD)は、中央サーバを制御せずに大規模デバイス上で協調学習を可能にする。
既存の理論では、分散化は必ず一般化される。
論文 参考訳（メタデータ） (2023-06-05T14:19:52Z) - Deep Combinatorial Aggregation [58.78692706974121]
ディープアンサンブル(Deep ensemble)は、不確実性を考慮した学習タスクの最先端結果を実現する、シンプルで効果的な方法である。
本研究では,ディープアグリゲーション(DCA)と呼ばれるディープアンサンブルの一般化について検討する。
DCAはネットワークコンポーネントの複数のインスタンスを生成し、それらの組み合わせを集約して、多様化したモデルの提案と予測を生成する。
論文 参考訳（メタデータ） (2022-10-12T17:35:03Z) - Adaptive Dilated Convolution For Human Pose Estimation [65.1530164940112]
適応拡張畳み込み(ADC)により,同じ空間サイズのマルチスケール特徴を生成・融合する。
これにより、ADCは融合スケールを適応的に調整できるため、ADCは様々な人間のサイズに最適化できる。
論文 参考訳（メタデータ） (2021-07-22T06:38:04Z) - Manifold-Aware Deep Clustering: Maximizing Angles between Embedding
Vectors Based on Regular Simplex [11.45476110868809]
多様体対応直流 (M-DC) は, もともとの直流よりも効率よく超空間利用を向上させることができる。
本手法は,正規表現の性質に基づいて,超空間の目標角度を最大化することを目的とした一意な損失関数を導出する。
論文 参考訳（メタデータ） (2021-06-04T08:27:01Z) - A Refined Inertial DCA for DC Programming [0.0]
目的関数がレベル境界である定常型(dc)プログラミング問題を考える。
古典的なDCアルゴリズム(DCA)は、ある種の問題を解決することで知られており、臨界点を返す。
そこで本研究では,2つの改良型DCA(RInDCA)を提案する。
論文 参考訳（メタデータ） (2021-04-30T04:21:57Z) - Domain Contrast for Domain Adaptive Object Detection [79.77438747622135]
ドメインコントラスト(ドメインコントラスト、Domain Contrast、DC)は、ドメイン適応検出器の訓練のための対照的な学習にインスパイアされたアプローチである。
DCは画像レベルでも領域レベルでも適用可能で、検出器の転送性や識別性は一貫して改善されている。
論文 参考訳（メタデータ） (2020-06-26T08:45:36Z) - Simple, Scalable, and Stable Variational Deep Clustering [0.0874967598360817]
ディープクラスタリング(DC)は、教師なしクラスタリングの最先端技術となっている。
DC法は一般に、高い運用コスト、低いスケーラビリティ、不安定な結果のために、適用が不十分である。
本稿では, 産業応用の文脈において, 8つの経験的基準を用いて, 一般的なDC変種を最初に評価する。
次に、単純さ、スケーラビリティ、安定性を除いて、これらの基準をほぼ満たしているため、変分深層クラスタリング(VDC)手法に焦点を合わせることにしました。
Initial $gamma$-training, periodic $beta$-annealing, mini-batch GMM (G) の4つの汎用アルゴリズムの改善を導入する。
論文 参考訳（メタデータ） (2020-05-16T17:24:01Z)
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。