論文の概要: Hash Grid Feature Pruning

• arxiv url: http://arxiv.org/abs/2512.22882v1
• Date: Sun, 28 Dec 2025 11:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.268608
• Title: Hash Grid Feature Pruning
• Title（参考訳）: Hash Grid Feature Pruning
• Authors: Yangzhi Ma, Bojun Liu, Jie Li, Li Li, Dong Liu,
• Abstract要約: 本稿では,入力されたガウスプレートの座標に基づいて,無効な特徴を識別しプーンするハッシュグリッド特徴抽出法を提案する。 このアプローチはモデル性能を損なうことなくハッシュグリッドのストレージサイズを小さくする。
• 参考スコア（独自算出の注目度）: 10.121244413049997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hash grids are widely used to learn an implicit neural field for Gaussian splatting, serving either as part of the entropy model or for inter-frame prediction. However, due to the irregular and non-uniform distribution of Gaussian splats in 3D space, numerous sparse regions exist, rendering many features in the hash grid invalid. This leads to redundant storage and transmission overhead. In this work, we propose a hash grid feature pruning method that identifies and prunes invalid features based on the coordinates of the input Gaussian splats, so that only the valid features are encoded. This approach reduces the storage size of the hash grid without compromising model performance, leading to improved rate-distortion performance. Following the Common Test Conditions (CTC) defined by the standardization committee, our method achieves an average bitrate reduction of 8% compared to the baseline approach.
• Abstract（参考訳）: ハッシュグリッドは、エントロピーモデルの一部として機能するか、フレーム間予測のために機能し、ガウススプラッティングのための暗黙のニューラルネットワークを学習するために広く使用されている。 しかし、3次元空間におけるガウススプレートの不規則かつ一様でない分布のため、多くのスパース領域が存在し、ハッシュグリッドの多くの特徴は無効である。 これにより、冗長なストレージと送信オーバーヘッドが発生する。 本研究では,入力されたガウススプラットの座標に基づいて,無効な特徴を識別およびプーンし,有効な特徴のみを符号化するハッシュグリッド機能プルーニング手法を提案する。 このアプローチはモデル性能を損なうことなくハッシュグリッドのストレージサイズを小さくし、速度歪み性能を向上する。 標準化委員会が定義したCTC(Common Test Conditions)に従えば,本手法はベースラインアプローチと比較して平均ビットレートを8%削減する。

関連論文リスト

• HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。 高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。 私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
  論文  参考訳（メタデータ） (2024-03-21T16:28:58Z)
• Sparse-Inductive Generative Adversarial Hashing for Nearest Neighbor Search [8.020530603813416]
  本稿では,Sparsity-induced Generative Adversarial Hashing (SiGAH)と呼ばれる新しい教師なしハッシュ法を提案する。 SiGAHは、大規模な高次元特徴をバイナリコードにエンコードする。 Tiny100K、GIST1M、Deep1M、MNISTの4つのベンチマーク実験の結果、提案されたSiGAHは最先端のアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2023-06-12T08:07:23Z)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)
• Generative Semantic Hashing Enhanced via Boltzmann Machines [61.688380278649056]
  既存の生成ハッシュ法は、主に後部分布の分解形式を仮定する。 本稿では,ボルツマンマシンの分布を検索後部として利用することを提案する。 ハッシュコード内の異なるビット間の相関関係を効果的にモデル化することにより、我々のモデルは大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2020-06-16T01:23:39Z)
• Reinforcing Short-Length Hashing [61.75883795807109]
  既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。 本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。 本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。 3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-24T02:23:52Z)

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。