論文の概要: Gradient-Driven Natural Selection for Compact 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2511.16980v1
• Date: Fri, 21 Nov 2025 06:27:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.902554
• Title: Gradient-Driven Natural Selection for Compact 3D Gaussian Splatting
• Title（参考訳）: コンパクトな3次元ガウス平滑化のための勾配駆動自然選択法
• Authors: Xiaobin Deng, Qiuli Yu, Changyu Diao, Min Li, Duanqing Xu,
• Abstract要約: 3DGSはシーンに合うために多数のガウスプリミティブを使用し、かなりのストレージと計算オーバーヘッドをもたらす。 本研究では,不透明度に適応する正規化勾配場として生存圧力をモデル化した自然選択型プランニングフレームワークを提案する。 提案手法は, 15%の予算で0.6dB以上のPSNRゲインを達成し, 小型3DGSの最先端性能を確立した。
• 参考スコア（独自算出の注目度）: 3.6626434111127075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3DGS employs a large number of Gaussian primitives to fit scenes, resulting in substantial storage and computational overhead. Existing pruning methods rely on manually designed criteria or introduce additional learnable parameters, yielding suboptimal results. To address this, we propose an natural selection inspired pruning framework that models survival pressure as a regularization gradient field applied to opacity, allowing the optimization gradients--driven by the goal of maximizing rendering quality--to autonomously determine which Gaussians to retain or prune. This process is fully learnable and requires no human intervention. We further introduce an opacity decay technique with a finite opacity prior, which accelerates the selection process without compromising pruning effectiveness. Compared to 3DGS, our method achieves over 0.6 dB PSNR gain under 15\% budgets, establishing state-of-the-art performance for compact 3DGS. Project page https://xiaobin2001.github.io/GNS-web.
• Abstract（参考訳）: 3DGSはシーンに合うために多数のガウスプリミティブを使用し、かなりのストレージと計算オーバーヘッドをもたらす。 既存のプルーニング手法は手作業で設計した基準に頼り、学習可能なパラメータを追加し、最適以下の結果を得る。 そこで本稿では,不透明度に適用した正規化勾配場として生存圧力をモデル化した自然選択型プルーニングフレームワークを提案する。 このプロセスは完全に学習可能で、人間の介入を必要としない。 さらに, プルーニング効率を損なうことなく, 選択過程を高速化する不透明度崩壊手法を導入する。 提案手法は3DGSと比較して15倍の予算で0.6dBのPSNRゲインを達成し, 小型3DGSの最先端性能を確立した。 プロジェクトページ https://xiaobin 2001.github.io/GNS-web

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)
• Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
  任意のスケールでガウスを適応させる統一最適化法を提案する。 ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。 本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
  論文  参考訳（メタデータ） (2024-08-12T16:49:22Z)
• LP-3DGS: Learning to Prune 3D Gaussian Splatting [71.97762528812187]
  本稿では,トレーニング可能な2値マスクを重要度に応用し,最適プルーニング比を自動的に検出する3DGSを提案する。 実験の結果,LP-3DGSは効率と高品質の両面において良好なバランスを保っていることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T05:58:34Z)
• SafeguardGS: 3D Gaussian Primitive Pruning While Avoiding Catastrophic Scene Destruction [45.654397516679495]
  本稿では, 3DGSプルーニング技術を, Scene-level pruning と Pixel-level pruning の2つのタイプに分類した。 実験により、ピクセルレベルのプルーニングはプルーニングの固有の境界、すなわちガウス的プルーニングの保護を与えることが示された。 我々は,今後の研究に3DGSを最適化するための貴重な洞察を提供すると考えている。
  論文  参考訳（メタデータ） (2024-05-28T03:41:36Z)
• GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
  3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。 本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。 提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
  論文  参考訳（メタデータ） (2024-02-22T16:00:20Z)
• DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation [55.661467968178066]
  本稿では,DreamGaussianを提案する。DreamGaussianは,効率と品質を両立させる新しい3Dコンテンツ生成フレームワークである。 我々の重要な洞察は、UV空間におけるメッシュ抽出とテクスチャ改善を伴う3次元ガウススプラッティングモデルを設計することである。 ニューラル・ラジアンス・フィールドにおける占有プルーニングとは対照的に、3次元ガウスの進行的な密度化は3次元生成タスクにおいて著しく速く収束することを示した。
  論文  参考訳（メタデータ） (2023-09-28T17:55:05Z)

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。