論文の概要: EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images

• arxiv url: http://arxiv.org/abs/2512.18692v1
• Date: Sun, 21 Dec 2025 11:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.460621
• Title: EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images
• Title（参考訳）: EcoSplat:多視点画像による効率制御可能なフィードフォワード3次元ガウススプラッティング
• Authors: Jongmin Park, Minh-Quan Viet Bui, Juan Luis Gonzalez Bello, Jaeho Moon, Jihyong Oh, Munchurl Kim,
• Abstract要約: EcoSplatはフィードフォワード3DGSフレームワークで、任意のターゲットプリミティブカウントの3D表現を推論時に適応的に予測する。 EcoSplatは、厳密なプリミティブな制約の下で、堅牢で最先端のメソッドよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 39.67757218876105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward 3D Gaussian Splatting (3DGS) enables efficient one-pass scene reconstruction, providing 3D representations for novel view synthesis without per-scene optimization. However, existing methods typically predict pixel-aligned primitives per-view, producing an excessive number of primitives in dense-view settings and offering no explicit control over the number of predicted Gaussians. To address this, we propose EcoSplat, the first efficiency-controllable feed-forward 3DGS framework that adaptively predicts the 3D representation for any given target primitive count at inference time. EcoSplat adopts a two-stage optimization process. The first stage is Pixel-aligned Gaussian Training (PGT) where our model learns initial primitive prediction. The second stage is Importance-aware Gaussian Finetuning (IGF) stage where our model learns rank primitives and adaptively adjust their parameters based on the target primitive count. Extensive experiments across multiple dense-view settings show that EcoSplat is robust and outperforms state-of-the-art methods under strict primitive-count constraints, making it well-suited for flexible downstream rendering tasks.
• Abstract（参考訳）: フィードフォワード3Dガウススティング(3DGS)は、ワンパスシーンの効率的な再構築を可能にし、シーンごとの最適化なしに新しいビュー合成のための3D表現を提供する。 しかし、既存の手法は通常、ビューごとにピクセル整列プリミティブを予測し、密集ビュー設定において過剰な数のプリミティブを生成し、予測されたガウス数の明示的な制御を提供しない。 提案するEcoSplatは,任意のターゲットプリミティブ数の3D表現を推論時に適応的に予測する,能率制御可能な最初のフィードフォワード3DGSフレームワークである。 EcoSplatは2段階最適化プロセスを採用している。 最初の段階はPixel-aligned Gaussian Training (PGT) で、私たちのモデルは最初の原始的予測を学習します。 第2段階は、Importance-Aware Gaussian Finetuning (IGF) 段階であり、モデルがランクプリミティブを学習し、ターゲットプリミティブカウントに基づいてパラメータを適応的に調整する。 複数の密集したビュー設定にわたる大規模な実験では、EcoSplatは堅牢であり、厳密なプリミティブな制限の下で最先端のメソッドよりも優れており、柔軟な下流レンダリングタスクに適していることが示されている。

関連論文リスト

• ProSplat: Improved Feed-Forward 3D Gaussian Splatting for Wide-Baseline Sparse Views [31.282881864317375]
  ProSplatは2段階のフィードフォワードフレームワークで、幅広いベースライン条件下で高忠実度レンダリングを行う。 ProSplatは最近のSOTA法と比較してPSNRで1dBの平均的な改善を実現している。
  論文  参考訳（メタデータ） (2025-06-09T11:45:50Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• EasySplat: View-Adaptive Learning makes 3D Gaussian Splatting Easy [34.27245715540978]
  高品質な3DGSモデリングを実現するための新しいフレームワークEasySplatを提案する。 本稿では、ビュー類似性に基づく効率的なグループ化戦略を提案し、高品質な点雲を得るためにロバストな点マップを前もって利用する。 信頼性の高いシーン構造を得た後、近隣のガウス楕円体の平均形状に基づいてガウス原始体を適応的に分割する新しいデンシフィケーション手法を提案する。
  論文  参考訳（メタデータ） (2025-01-02T01:56:58Z)
• 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)
• 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)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)

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。