論文の概要: GaussianImage++: Boosted Image Representation and Compression with 2D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2512.19108v1
- Date: Mon, 22 Dec 2025 07:22:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.656499
- Title: GaussianImage++: Boosted Image Representation and Compression with 2D Gaussian Splatting
- Title（参考訳）: GaussianImage++: 2Dガウススプレイティングによる画像表現と圧縮の強化
- Authors: Tiantian Li, Xinjie Zhang, Xingtong Ge, Tongda Xu, Dailan He, Jun Zhang, Yan Wang,
- Abstract要約: 入射神経表現(INR)は画像表現と圧縮において顕著な成功を収めた。
最近の 2D Gaussian Splatting (GS) 法は、効率的なプリミティブベースのレンダリングを通じて有望な代替手段を提供する。
本稿では,限られたガウスプリミティブを用いて印象的な表現と圧縮性能を実現するガウスImage++を提案する。
- 参考スコア（独自算出の注目度）: 29.353296699942117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit neural representations (INRs) have achieved remarkable success in image representation and compression, but they require substantial training time and memory. Meanwhile, recent 2D Gaussian Splatting (GS) methods (\textit{e.g.}, GaussianImage) offer promising alternatives through efficient primitive-based rendering. However, these methods require excessive Gaussian primitives to maintain high visual fidelity. To exploit the potential of GS-based approaches, we present GaussianImage++, which utilizes limited Gaussian primitives to achieve impressive representation and compression performance. Firstly, we introduce a distortion-driven densification mechanism. It progressively allocates Gaussian primitives according to signal intensity. Secondly, we employ context-aware Gaussian filters for each primitive, which assist in the densification to optimize Gaussian primitives based on varying image content. Thirdly, we integrate attribute-separated learnable scalar quantizers and quantization-aware training, enabling efficient compression of primitive attributes. Experimental results demonstrate the effectiveness of our method. In particular, GaussianImage++ outperforms GaussianImage and INRs-based COIN in representation and compression performance while maintaining real-time decoding and low memory usage.
- Abstract（参考訳）: 暗黙の神経表現(INR)は画像表現と圧縮において顕著な成功を収めているが、かなりの訓練時間と記憶を必要とする。
一方、最近の2D Gaussian Splatting (GS) メソッド (\textit{e g }, GaussianImage) は、効率的なプリミティブベースのレンダリングを通じて有望な代替手段を提供する。
しかし、これらの手法は高視力を維持するために過剰なガウス原始体を必要とする。
GSベースのアプローチの可能性を生かし,限られたガウスプリミティブを用いて印象的な表現と圧縮性能を実現するGaussianImage++を提案する。
まず,歪み駆動型デンシフィケーション機構を導入する。
信号強度に応じてガウス原始体を段階的に割り当てる。
第2に,各プリミティブに対して文脈認識型ガウスフィルタを用い,画像内容の変化に基づいてガウスのプリミティブを最適化する。
第3に、属性分離学習可能なスカラー量子化器と量子化学習を統合し、プリミティブ属性の効率的な圧縮を可能にする。
実験の結果,本手法の有効性が示された。
特に、GaussianImage++は、リアルタイムデコーディングと低メモリ使用率を維持しながら、表現と圧縮のパフォーマンスにおいて、GaussianImageとINRsベースのCOINを上回っている。
関連論文リスト
- Fast 2DGS: Efficient Image Representation with Deep Gaussian Prior [21.89104780995278]
Fast-2DGSは効率的なガウス画像表現のための軽量なフレームワークである。
本稿では,ガウスプリミティブの空間分布を捉えるための条件付きネットワークとして実装されたDeep Gaussian Priorを紹介する。
実験により、この非絡み合ったアーキテクチャは、1つの前方通過で高品質な再構築を実現し、次いで最小限の微調整を行うことが示された。
論文 参考訳（メタデータ） (2025-12-14T17:23:28Z) - Instant GaussianImage: A Generalizable and Self-Adaptive Image Representation via 2D Gaussian Splatting [13.439790810504851]
本稿では,2次元ガウス分割に基づく一般化可能で自己適応的な画像表現フレームワークを提案する。
提案手法では,粗いガウス表現を高速に生成するネットワークを用いて,最小限の微調整を行う。
我々の手法はガウス画像のレンダリング性能と非常に少ないイテレーションと短いトレーニング時間で一致または超えることを示す。
論文 参考訳（メタデータ） (2025-06-30T02:58:52Z) - 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) - Optimized Minimal 3D Gaussian Splatting [36.53860885419386]
3D Gaussian Splatting (3DGS) はリアルタイム・ハイパフォーマンスレンダリングの強力な表現として登場した。
多数の明示的なガウスプリミティブによる3Dシーンの表現は、大きなストレージとメモリオーバーヘッドを課す。
プリミティブ間の連続性と不規則性の両方を効率的にキャプチャする,コンパクトで正確な属性表現を提案する。
論文 参考訳（メタデータ） (2025-03-21T07:41:45Z) - Gaussian Graph Network: Learning Efficient and Generalizable Gaussian Representations from Multi-view Images [12.274418254425019]
3D Gaussian Splatting (3DGS) は印象的なビュー合成性能を示した。
本稿ではガウスグラフネットワーク(GGN)を提案し,効率よく一般化可能なガウスグラフを生成する。
我々は大規模なRealEstate10KとACIDデータセットの実験を行い、本手法の効率性と一般化を実証した。
論文 参考訳（メタデータ） (2025-03-20T16:56:13Z) - GaussianToken: An Effective Image Tokenizer with 2D Gaussian Splatting [64.84383010238908]
本稿では,2次元ガウススプラッティングを解法とする効果的な画像トークン化手法を提案する。
一般に、我々のフレームワークは、2次元ガウス分布の局所的な影響を離散空間に統合する。
CIFAR, Mini-Net, ImageNet-1K 上での競合的再構成性能は,我々のフレームワークの有効性を示す。
論文 参考訳（メタデータ） (2025-01-26T17:56:11Z) - GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。
周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
論文 参考訳（メタデータ） (2024-02-15T17:32:50Z)
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。