論文の概要: NVGS: Neural Visibility for Occlusion Culling in 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2511.19202v1
- Date: Mon, 24 Nov 2025 15:11:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.272987
- Title: NVGS: Neural Visibility for Occlusion Culling in 3D Gaussian Splatting
- Title（参考訳）: NVGS:3次元ガウススプラッティングにおけるオクルージョンカリングの神経可視性
- Authors: Brent Zoomers, Florian Hahlbohm, Joni Vanherck, Lode Jorissen, Marcus Magnor, Nick Michiels,
- Abstract要約: 3D Gaussiantingは、多数のプリミティブを含むシーンのレンダリングを高速化するために、フラストタルカリングと詳細戦略を利用することができる。
本研究では,シーン内の資産のインスタンス間で共有される小さなモデルを用いて,すべてのガウスの視点依存可視関数を訓練されたモデルで学習する手法を提案する。
レンダリングの前にガウスアンに問い合わせることで、レンダリング中に隠されたプリミティブを破棄することができる。
- 参考スコア（独自算出の注目度）: 0.6516563485069087
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 3D Gaussian Splatting can exploit frustum culling and level-of-detail strategies to accelerate rendering of scenes containing a large number of primitives. However, the semi-transparent nature of Gaussians prevents the application of another highly effective technique: occlusion culling. We address this limitation by proposing a novel method to learn the viewpoint-dependent visibility function of all Gaussians in a trained model using a small, shared MLP across instances of an asset in a scene. By querying it for Gaussians within the viewing frustum prior to rasterization, our method can discard occluded primitives during rendering. Leveraging Tensor Cores for efficient computation, we integrate these neural queries directly into a novel instanced software rasterizer. Our approach outperforms the current state of the art for composed scenes in terms of VRAM usage and image quality, utilizing a combination of our instanced rasterizer and occlusion culling MLP, and exhibits complementary properties to existing LoD techniques.
- Abstract（参考訳）: 3D Gaussian Splattingは、多数のプリミティブを含むシーンのレンダリングを高速化するために、フラストタルカリングと詳細戦略を利用することができる。
しかし、ガウスの半透明な性質は、別の非常に効果的なテクニックであるオクルージョン・カリングの適用を妨げている。
シーン内の資産のインスタンス間で共有された小さなMLPを用いて、訓練されたモデルで全てのガウスの視点依存可視関数を学習する新しい手法を提案することにより、この制限に対処する。
ラスタ化に先立ってガウス人に問い合わせることで、レンダリング中に隠蔽されたプリミティブを破棄することができる。
効率的な計算のためにTensor Coresを活用することで、これらのニューラルネットワークを直接、新しいインスタンス化されたソフトウェアラスタライザに統合する。
提案手法は,VRAM使用率と画像品質の両面において,既存のLoD技術と相補的な特性を示すとともに,本手法を用いたラスタライザとオクルージョンカリングMLPの組み合わせにより,合成シーンの現況と映像品質を比較検討する。
関連論文リスト
- SparseGS-W: Sparse-View 3D Gaussian Splatting in the Wild with Generative Priors [22.561786156613525]
SparseGS-Wは,非制約画像から大規模シーンを合成する新しいフレームワークである。
我々は,高度にスパースな入力から得られる多視点情報の欠如を補うために,幾何学的先行と制約付き拡散の先行を利用する。
SparseGS-Wは、完全な参照メトリクスだけでなく、FID、ClipIQA、MUSIQなどの一般的な非参照メトリクスでも、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-03-25T08:40:40Z) - ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。
近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。
本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
論文 参考訳（メタデータ） (2025-03-21T18:55:14Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z) - LoopSparseGS: Loop Based Sparse-View Friendly Gaussian Splatting [18.682864169561498]
LoopSparseGSは、疎結合なビュー合成タスクのためのループベースの3DGSフレームワークである。
Sparse-Friended Smpling (SFS) 戦略を導入し,ガウス楕円体を過剰に処理し,画素誤差が大きくなった。
4つのデータセットの実験により、LoopSparseGSはスパース・インプット・ノベルビューの合成において既存の最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-01T03:26:50Z) - SWAG: Splatting in the Wild images with Appearance-conditioned Gaussians [2.2369578015657954]
暗黙の神経表現法は、未構造化画像から3Dシーンを学習する際、顕著な進歩を見せている。
非教師的手法でシーンオブオーダの存在を対処するために、過渡的なガウシアンを訓練する新しいメカニズムを導入する。
論文 参考訳（メタデータ） (2024-03-15T16:00:04Z) - Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering [71.44349029439944]
最近の3次元ガウス散乱法は、最先端のレンダリング品質と速度を達成している。
局所的な3Dガウス分布にアンカーポイントを用いるScaffold-GSを導入する。
提案手法は,高品質なレンダリングを実現しつつ,冗長なガウスを効果的に削減できることを示す。
論文 参考訳（メタデータ） (2023-11-30T17:58:57Z)
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。