論文の概要: A Step to Decouple Optimization in 3DGS

• arxiv url: http://arxiv.org/abs/2601.16736v2
• Date: Mon, 26 Jan 2026 02:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:06.996764
• Title: A Step to Decouple Optimization in 3DGS
• Title（参考訳）: 3DGSにおける最適化の分離
• Authors: Renjie Ding, Yaonan Wang, Min Liu, Jialin Zhu, Jiazheng Wang, Jiahao Zhao, Wenting Shen, Feixiang He, Xiang Chen,
• Abstract要約: 3次元ガウススプラッティング(3DGS)は、リアルタイムな新規なビュー合成のための強力な技術として登場した。 本稿では,プロセスをSparse Adam, Re-State Regularization, Decoupled Attribute Regularizationに分割する。
• 参考スコア（独自算出の注目度）: 38.797134528503015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a powerful technique for real-time novel view synthesis. As an explicit representation optimized through gradient propagation among primitives, optimization widely accepted in deep neural networks (DNNs) is actually adopted in 3DGS, such as synchronous weight updating and Adam with the adaptive gradient. However, considering the physical significance and specific design in 3DGS, there are two overlooked details in the optimization of 3DGS: (i) update step coupling, which induces optimizer state rescaling and costly attribute updates outside the viewpoints, and (ii) gradient coupling in the moment, which may lead to under- or over-effective regularization. Nevertheless, such a complex coupling is under-explored. After revisiting the optimization of 3DGS, we take a step to decouple it and recompose the process into: Sparse Adam, Re-State Regularization and Decoupled Attribute Regularization. Taking a large number of experiments under the 3DGS and 3DGS-MCMC frameworks, our work provides a deeper understanding of these components. Finally, based on the empirical analysis, we re-design the optimization and propose AdamW-GS by re-coupling the beneficial components, under which better optimization efficiency and representation effectiveness are achieved simultaneously.
• Abstract（参考訳）: 3次元ガウススプラッティング(3DGS)は、リアルタイムな新規なビュー合成のための強力な技術として登場した。 プリミティブ間の勾配伝播によって最適化された明示的な表現として、ディープニューラルネットワーク(DNN)で広く受け入れられている最適化は、同期重み更新や適応勾配を持つAdamといった3DGSで実際に採用されている。 しかし、3DGSの物理的重要性と具体的設計を考えると、3DGSの最適化には2つの見過ごされた詳細がある。 i) ポイント外のオプティマイザ状態再スケーリングとコストのかかる属性更新を誘導する更新ステップ結合。 (II) 瞬間の勾配結合は、過効率な正則化や過効率な正則化につながる可能性がある。 しかし、そのような複雑なカップリングは未発見である。 3DGSの最適化を再考した後、我々はそれを分離し、プロセスをSparse Adam、Re-State Regularization、Decoupled Attribute Regularizationに分解する。 3DGSと3DGS-MCMCフレームワークの下で多数の実験を行うことで、これらのコンポーネントをより深く理解することができます。 最後に、経験的分析に基づいて最適化を再設計し、有効成分を再結合し、最適化効率と表現効率を両立させるAdamW-GSを提案する。

関連論文リスト

• Opt3DGS: Optimizing 3D Gaussian Splatting with Adaptive Exploration and Curvature-Aware Exploitation [10.150288678666001]
  3D Splatting (3DGS) は、新しいビュー合成のための主要なフレームワークとして登場したが、その中核となる最適化課題は未解決のままである。 我々は,3DGS最適化における2つの重要な課題を,最適部分最適化における包摂と,収束品質の不十分さの2つに同定した。 2段階最適化プロセスを通じて3DGSを強化する頑健なフレームワークであるOps3DGSを提案する。
  論文  参考訳（メタデータ） (2025-11-17T16:37:33Z)
• 3DGS Compression with Sparsity-guided Hierarchical Transform Coding [19.575833741231953]
  SHTC(Sparsity-guided Hierarchical Transform Coding)は、3DGS圧縮のためのエンドツーエンドのトランスフォーメーションコーディングフレームワークである。 SHTCは3DGS、変換、軽量コンテキストモデルを共同で最適化している。 この新しい設計により、最小限の追加パラメータと計算オーバーヘッドでR-D性能が大幅に向上する。
  論文  参考訳（メタデータ） (2025-05-28T22:17:24Z)
• 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)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds [71.37326848614133]
  3DGSの最適化複雑性に関するスケジューリング手法であるDashGaussianを提案する。 提案手法は, 各種3DGSバックボーンの最適化を平均45.7%高速化する。
  論文  参考訳（メタデータ） (2025-03-24T07:17:27Z)
• 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt [65.25603275491544]
  3DGS-LM, 3D Gaussian Splatting(3DGS)の再構築を高速化する新しい手法を提案する。 提案手法は, 元の3DGSよりも20%高速であり, 再構成品質の最適化が可能である。
  論文  参考訳（メタデータ） (2024-09-19T16:31:44Z)
• 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)

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。