論文の概要: RAP: Fast Feedforward Rendering-Free Attribute-Guided Primitive Importance Score Prediction for Efficient 3D Gaussian Splatting Processing

• arxiv url: http://arxiv.org/abs/2602.19753v1
• Date: Mon, 23 Feb 2026 12:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.797486
• Title: RAP: Fast Feedforward Rendering-Free Attribute-Guided Primitive Importance Score Prediction for Efficient 3D Gaussian Splatting Processing
• Title（参考訳）: RAP: 高速フィードフォワード・レストリビュート・アトリビュート・ガイド付き原始的重要度スコア予測による高能率3次元ガウス切削加工
• Authors: Kaifa Yang, Qi Yang, Yiling Xu, Zhu Li,
• Abstract要約: 高速フィードフォワードレンダリングによる3DGSの重要度予測手法を提案する。 RAPは、固有のガウス属性と局所的な地域統計から直接原始的な重要性を推測する。 RAPは、見えないデータに効果的に一般化し、再構築、圧縮、送信パイプラインにシームレスに統合することができる。
• 参考スコア（独自算出の注目度）: 22.672973552857673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a leading technology for high-quality 3D scene reconstruction. However, the iterative refinement and densification process leads to the generation of a large number of primitives, each contributing to the reconstruction to a substantially different extent. Estimating primitive importance is thus crucial, both for removing redundancy during reconstruction and for enabling efficient compression and transmission. Existing methods typically rely on rendering-based analyses, where each primitive is evaluated through its contribution across multiple camera viewpoints. However, such methods are sensitive to the number and selection of views, rely on specialized differentiable rasterizers, and have long calculation times that grow linearly with view count, making them difficult to integrate as plug-and-play modules and limiting scalability and generalization. To address these issues, we propose RAP, a fast feedforward rendering-free attribute-guided method for efficient importance score prediction in 3DGS. RAP infers primitive significance directly from intrinsic Gaussian attributes and local neighborhood statistics, avoiding rendering-based or visibility-dependent computations. A compact MLP predicts per-primitive importance scores using rendering loss, pruning-aware loss, and significance distribution regularization. After training on a small set of scenes, RAP generalizes effectively to unseen data and can be seamlessly integrated into reconstruction, compression, and transmission pipelines. Our code is publicly available at https://github.com/yyyykf/RAP.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は高品質な3Dシーン再構築技術として登場している。 しかし、反復的な洗練と密度化のプロセスは、多数のプリミティブを発生させ、それぞれが大幅に異なる程度に再構築に寄与する。 したがって、復元中の冗長性を除去し、効率的な圧縮と伝達を可能にするために、プリミティブな重要性を推定することが重要である。 既存の手法は、通常、レンダリングに基づく分析に依存し、各プリミティブは、複数のカメラ視点にわたるコントリビューションを通じて評価される。 しかし、このような手法はビューの数や選択に敏感であり、特殊化可能なラスタライザに依存しており、ビューカウントと線形に成長する長い計算時間を持つため、プラグアンドプレイモジュールとしての統合やスケーラビリティや一般化の制限が困難である。 これらの問題に対処するため,高速フィードフォワードレンダリングフリーな属性誘導方式であるRAPを提案し,3DGSにおけるスコアの効率的な評価を行う。 RAPは、レンダリングベースまたは可視性に依存した計算を避けるために、固有のガウス属性と局所的な近辺統計から直接原始的な重要性を推測する。 コンパクトMLPは、レンダリング損失、プルーニング認識損失、重要度分布正則化を用いて、原単位の重要度スコアを予測する。 少数のシーンをトレーニングした後、RAPは非表示データに効果的に一般化し、再構築、圧縮、送信パイプラインにシームレスに統合することができる。 私たちのコードはhttps://github.com/yyykf/RAP.comで公開されています。

関連論文リスト

• CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
  本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。 速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。 提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
  論文  参考訳（メタデータ） (2026-01-19T08:21:45Z)
• Splatwizard: A Benchmark Toolkit for 3D Gaussian Splatting Compression [69.94586602640355]
  Splatwizardは3DGS圧縮モデルに特化して設計されたベンチマーク・ツールキットである。 Splatwizardは新しい3DGS圧縮モデルを実装し、最先端技術を利用するための使いやすいフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-12-31T09:26:04Z)
• Segmentation-Driven Initialization for Sparse-view 3D Gaussian Splatting [0.9251324073335035]
  3D Gaussian Splatting (3DGS)は、競争力のあるリアルタイムレンダリングを可能にした。 既存のパイプラインは、しばしばカメラポーズ推定にStructure-from-Motion(SfM)に依存している。 本研究では,構造的に重要な領域のみを識別・保持するために,領域ベースセグメンテーションを活用して非効率を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-15T12:31:33Z)
• 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)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• 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)
• SafeguardGS: 3D Gaussian Primitive Pruning While Avoiding Catastrophic Scene Destruction [45.654397516679495]
  本稿では, 3DGSプルーニング技術を, Scene-level pruning と Pixel-level pruning の2つのタイプに分類した。 実験により、ピクセルレベルのプルーニングはプルーニングの固有の境界、すなわちガウス的プルーニングの保護を与えることが示された。 我々は,今後の研究に3DGSを最適化するための貴重な洞察を提供すると考えている。
  論文  参考訳（メタデータ） (2024-05-28T03:41:36Z)
• latentSplat: Autoencoding Variational Gaussians for Fast Generalizable 3D Reconstruction [48.86083272054711]
  latentSplatは3D潜在空間における意味ガウスを予測し、軽量な生成型2Dアーキテクチャで切り落としてデコードする手法である。 latentSplatは、高速でスケーラブルで高解像度なデータでありながら、復元品質と一般化におけるこれまでの成果よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-24T20:48:36Z)

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。