論文の概要: 3DGS$^2$-TR: Scalable Second-Order Trust-Region Method for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2602.00395v1
• Date: Fri, 30 Jan 2026 23:14:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.157972
• Title: 3DGS$^2$-TR: Scalable Second-Order Trust-Region Method for 3D Gaussian Splatting
• Title（参考訳）: 3DGS$^2$-TR:3次元ガウススプレーティングのためのスケーラブルな2次信頼回帰法
• Authors: Roger Hsiao, Yuchen Fang, Xiangru Huang, Ruilong Li, Hesam Rabeti, Zan Gojcic, Javad Lavaei, James Demmel, Sophia Shao,
• Abstract要約: 3次元ガウススティングにおけるトレーニング問題を高速化する2次計算法である3DGS$2$-TRを提案する(3DGS)。 本手法はハッチンソン法を用いて, ヘッセン行列の対角線のみを用いて曲率を近似する。 3DGS$2$-TRは、ADAMよりも50%少ないトレーニングイテレーション、3DGS-LMより85%少ないトレーニングイテレーションを使用して、標準データセットの再構築品質を向上させることができる。
• 参考スコア（独自算出の注目度）: 25.277141070184083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose 3DGS$^2$-TR,a second-order optimizer for accelerating the scene training problem in 3D Gaussian Splatting (3DGS). Unlike existing second-order approaches that rely on explicit or dense curvature representations, such as 3DGS-LM (Höllein et al., 2025) or 3DGS2 (Lan et al., 2025), our method approximates curvature using only the diagonal of the Hessian matrix, efficiently via Hutchinson's method. Our approach is fully matrix-free and has the same complexity as ADAM (Kingma, 2024), $O(n)$ in both computation and memory costs. To ensure stable optimization in the presence of strong nonlinearity in the 3DGS rasterization process, we introduce a parameter-wise trust-region technique based on the squared Hellinger distance, regularizing updates to Gaussian parameters. Under identical parameter initialization and without densification, 3DGS$^2$-TR is able to achieve better reconstruction quality on standard datasets, using 50% fewer training iterations compared to ADAM, while incurring less than 1GB of peak GPU memory overhead (17% more than ADAM and 85% less than 3DGS-LM), enabling scalability to very large scenes and potentially to distributed training settings.
• Abstract（参考訳）: 本稿では,3Dガウススティング(3DGS)におけるシーントレーニング問題を高速化するための2次最適化手法である3DGS$^2$-TRを提案する。 3DGS-LM (Höllein et al , 2025) や 3DGS2 (Lan et al , 2025) のような明示的あるいは高密度な曲率表現に依存する既存の2階法とは異なり、この手法はハッチンソンの手法により、ヘッセン行列の対角線のみを用いて曲率を効率的に近似する。 我々のアプローチは完全にマトリックスフリーであり、計算コストとメモリコストの両方においてADAM (Kingma, 2024), $O(n)$と同じ複雑さを持つ。 3DGSラスタ化プロセスにおける強い非線形性の存在下で安定な最適化を実現するため,正方形ヘリンジャー距離に基づくパラメータワイド信頼領域手法を導入し,ガウスパラメータの更新を正則化する。 3DGS$^2$-TRは、同一パラメータの初期化とデシフィケーションなしで、ADAMよりも50%少ないトレーニングイテレーションを使用しながら、ADAMよりも1GB未満のGPUメモリオーバーヘッド(17%以上、3DGS-LMより85%少ない)を使用して、標準データセットの再構築品質の向上を実現している。

関連論文リスト

• Second-order Optimization of Gaussian Splats with Importance Sampling [51.95046424364725]
  3D Gaussian Splatting (3DGS) は、高品質で高速な推論時間のため、新しいビューレンダリングに広く用いられている。 本稿では,Levenberg-Marquardt (LM) と Conjugate Gradient (CG) に基づく新しい2階最適化手法を提案する。 提案手法は標準LMよりも3倍の高速化を実現し,ガウス数が少ない場合のAdamを6倍の6倍の速さで上回る。
  論文  参考訳（メタデータ） (2025-04-17T12:52:08Z)
• 3DGS$^2$: Near Second-order Converging 3D Gaussian Splatting [26.94968605302451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と3D再構成の主流のソリューションとして登場した。 本稿では,3DGSの2次収束学習アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2025-01-22T22:28:11Z)
• 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)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
  3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。 本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。 提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
  論文  参考訳（メタデータ） (2024-02-22T16:00:20Z)

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。