論文の概要: Learnable Multi-level Discrete Wavelet Transforms for 3D Gaussian Splatting Frequency Modulation

• arxiv url: http://arxiv.org/abs/2602.14199v1
• Date: Sun, 15 Feb 2026 15:49:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.73012
• Title: Learnable Multi-level Discrete Wavelet Transforms for 3D Gaussian Splatting Frequency Modulation
• Title（参考訳）: 3次元ガウス散乱周波数変調のための学習可能なマルチレベル離散ウェーブレット変換
• Authors: Hung Nguyen, An Le, Truong Nguyen,
• Abstract要約: 3D Gaussian Splatting (3DGS) は、新しいビュー合成のための強力なアプローチとして登場した。 3DGSのためのマルチレベルDWTベースの周波数変調フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.380983033049863
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a powerful approach for novel view synthesis. However, the number of Gaussian primitives often grows substantially during training as finer scene details are reconstructed, leading to increased memory and storage costs. Recent coarse-to-fine strategies regulate Gaussian growth by modulating the frequency content of the ground-truth images. In particular, AutoOpti3DGS employs the learnable Discrete Wavelet Transform (DWT) to enable data-adaptive frequency modulation. Nevertheless, its modulation depth is limited by the 1-level DWT, and jointly optimizing wavelet regularization with 3D reconstruction introduces gradient competition that promotes excessive Gaussian densification. In this paper, we propose a multi-level DWT-based frequency modulation framework for 3DGS. By recursively decomposing the low-frequency subband, we construct a deeper curriculum that provides progressively coarser supervision during early training, consistently reducing Gaussian counts. Furthermore, we show that the modulation can be performed using only a single scaling parameter, rather than learning the full 2-tap high-pass filter. Experimental results on standard benchmarks demonstrate that our method further reduces Gaussian counts while maintaining competitive rendering quality.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は、新しいビュー合成のための強力なアプローチとして登場した。 しかし、より微細なシーンの詳細が再構築されるにつれて、訓練中にガウスのプリミティブの数が大幅に増加し、メモリとストレージのコストが増大する。 近年の粗粒化戦略は, 地中トラス画像の周波数変化によるガウス成長を規定している。 特にAutoOpti3DGSは、データ適応周波数変調を可能にするために、学習可能な離散ウェーブレット変換(DWT)を使用している。 それでも、その変調深度は1レベルDWTによって制限され、3次元再構成と共同最適化されたウェーブレット正則化は、過剰なガウスの密度化を促進する勾配競争をもたらす。 本稿では3DGSのためのマルチレベルDWTベースの周波数変調フレームワークを提案する。 低周波サブバンドを再帰的に分解することにより、早期訓練中に徐々に粗い監督を提供するより深いカリキュラムを構築し、ガウスの数を一貫して減らした。 さらに,2タップのハイパスフィルタを学習するのではなく,単一のスケーリングパラメータのみを用いて変調を行うことができることを示す。 標準ベンチマーク実験の結果,提案手法はガウス数をさらに削減し,競争力のあるレンダリング品質を維持した。

関連論文リスト

• Quantized Visual Geometry Grounded Transformer [67.15451442018258]
  本稿では,VGGTの最初の量子化フレームワーク,すなわちQuantVGGTを提案する。 球状前アダマール回転と局所流路平滑化を統合したDual-Smoothed Fine-Grained Quantizationを導入する。 また、重層統計量を用いて外周をフィルタするノイズフィルタディバースサンプリングを設計する。
  論文  参考訳（メタデータ） (2025-09-25T15:17:11Z)
• DWTGS: Rethinking Frequency Regularization for Sparse-view 3D Gaussian Splatting [5.93524554224854]
  Sparse-view 3D Gaussian Splatting (3DGS) は、高品質なノベルビューを再構築する上で重要な課題である。 DWTGSは,ウェーブレット空間の損失を利用して周波数正規化を再考するフレームワークであり,空間的監視を付加する。
  論文  参考訳（メタデータ） (2025-07-21T14:56:46Z)
• From Coarse to Fine: Learnable Discrete Wavelet Transforms for Efficient 3D Gaussian Splatting [5.026688852582894]
  AutoOpti3DGSは、視覚的忠実さを犠牲にすることなく、ガウスの増殖を自動的に抑制するトレーニングタイムフレームワークである。 ウェーブレット駆動で粗大なプロセスは、冗長な微細ガウスの形成を遅らせる。
  論文  参考訳（メタデータ） (2025-06-29T00:27:17Z)
• Frequency-Aware Gaussian Splatting Decomposition [10.951186766576173]
  3D Gaussian Splatting (3D-GS)は、その効率的で明示的な表現によって、新しいビュー合成に革命をもたらした。 入力画像のラプラシアピラミッドのサブバンドに対応する3Dガウスをグループ化する周波数分解3D-GSフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-27T07:35:40Z)
• FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization [67.47895278233717]
  周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。 FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-03-11T17:00:27Z)
• 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。