論文の概要: GSStream: 3D Gaussian Splatting based Volumetric Scene Streaming System

• arxiv url: http://arxiv.org/abs/2603.09718v1
• Date: Tue, 10 Mar 2026 14:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.393072
• Title: GSStream: 3D Gaussian Splatting based Volumetric Scene Streaming System
• Title（参考訳）: GSStream:3次元ガウス平滑化に基づくボリュームシーンストリーミングシステム
• Authors: Zhiye Tang, Qiudan Zhang, Lei Zhang, Junhui Hou, You Yang, Xu Wang,
• Abstract要約: 3DGSデータフォーマットをサポートする新しいボリュームシーンストリーミングシステムであるGSStreamを提案する。 GSStreamは協調的なビューポート予測モジュールを統合し、ユーザの将来の振る舞いをより正確に予測する。 提案するGSStreamシステムは,視覚的品質とネットワーク使用量において,既存の代表的なボリュームストリーミングシステムより優れている。
• 参考スコア（独自算出の注目度）: 52.652341168561016
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recently, the 3D Gaussian splatting (3DGS) technique for real-time radiance field rendering has revolutionized the field of volumetric scene representation, providing users with an immersive experience. But in return, it also poses a large amount of data volume, which is extremely bandwidth-intensive. Cutting-edge researchers have tried to introduce different approaches and construct multiple variants for 3DGS to obtain a more compact scene representation, but it is still challenging for real-time distribution. In this paper, we propose GSStream, a novel volumetric scene streaming system to support 3DGS data format. Specifically, GSStream integrates a collaborative viewport prediction module to better predict users' future behaviors by learning collaborative priors and historical priors from multiple users and users' viewport sequences and a deep reinforcement learning (DRL)-based bitrate adaptation module to tackle the state and action space variability challenge of the bitrate adaptation problem, achieving efficient volumetric scene delivery. Besides, we first build a user viewport trajectory dataset for volumetric scenes to support the training and streaming simulation. Extensive experiments prove that our proposed GSStream system outperforms existing representative volumetric scene streaming systems in visual quality and network usage. Demo video: https://youtu.be/3WEe8PN8yvA.
• Abstract（参考訳）: 近年,実時間ラディアンスフィールドレンダリングのための3Dガウススプラッティング(3DGS)技術が,ボリュームシーン表現の分野に革命をもたらし,ユーザが没入感のある体験を得られるようになった。 しかし、それと引き換えに、大量のデータボリュームを発生させるため、帯域幅が極端に大きい。 カットエッジの研究者は、よりコンパクトなシーン表現を得るために、異なるアプローチを導入し、3DGSのための複数の変種を構築しようとしたが、リアルタイムの配信には依然として困難である。 本稿では,3DGSデータフォーマットをサポートする新しいボリュームシーンストリーミングシステムであるGSStreamを提案する。 具体的には、複数のユーザやユーザのビューポートシーケンスから協調的な先行と過去の先行を学習することで、ユーザの将来の行動をより正確に予測するための協調的なビューポート予測モジュールと、ビットレート適応問題における状態と行動空間の可変性の問題に対処する深層強化学習(DRL)ベースのビットレート適応モジュールを統合し、効率的なボリュームシーン配信を実現する。 さらに,我々はまず,トレーニングとストリーミングシミュレーションをサポートするために,ボリュームシーンのためのユーザビューポートトラジェクトリデータセットを構築した。 大規模な実験により,提案するGSStreamシステムは,視覚的品質とネットワーク使用量において,既存の代表的なボリュームシーンストリーミングシステムより優れていたことが証明された。 デモビデオ: https://youtu.be/3WEe8PN8yvA。

関連論文リスト

• STream3R: Scalable Sequential 3D Reconstruction with Causal Transformer [72.88105562624838]
  本稿では,ポイントマップ予測をデコーダのみの変換器問題として再構成する新しい3次元再構成手法STream3Rを提案する。 大規模な3Dデータセットから幾何学的先行性を学ぶことで、STream3Rは多様で困難なシナリオにうまく一般化する。 この結果から,オンライン3次元知覚のための因果変換モデルの可能性を浮き彫りにし,ストリーミング環境におけるリアルタイム3次元理解の道を開いた。
  論文  参考訳（メタデータ） (2025-08-14T17:58:05Z)
• L3GS: Layered 3D Gaussian Splats for Efficient 3D Scene Delivery [10.900680596540377]
  3D Gaussian splats (3DGS) は両世界のベストを達成でき、高い視覚的品質とリアルタイムフレームレートの効率的なレンダリングを実現している。 この作業の目的は、3DGSを基盤とした高品質な3Dシーンを基盤となるデータ表現として見ることができる、効率的な3Dコンテンツ配信フレームワークを作ることである。
  論文  参考訳（メタデータ） (2025-04-07T21:23:32Z)
• SwinGS: Sliding Window Gaussian Splatting for Volumetric Video Streaming with Arbitrary Length [2.4844080708094745]
  本稿では,リアルタイムストリーミング方式でボリュームビデオのトレーニング,配信,レンダリングを行う新しいフレームワークであるSwinGSを紹介する。 SwinGSのプロトタイプを実装し、さまざまなデータセットやシーンでストリーム性を示す。 また、現代的なブラウザを持つほとんどのデバイス上で、リアルタイムのボリュームビデオ再生を可能にするインタラクティブなWebGLビューアを開発した。
  論文  参考訳（メタデータ） (2024-09-12T05:33:15Z)
• CityGaussian: Real-time High-quality Large-Scale Scene Rendering with Gaussians [64.6687065215713]
  CityGaussianは、大規模な3DGSのトレーニングとレンダリングを効率化するために、新しい分別/分別トレーニングアプローチとLevel-of-Detail(LoD)戦略を採用している。 我々のアプローチは最先端のレンダリング品質を実現し、大規模なシーンを全く異なるスケールで一貫したリアルタイムレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-04-01T14:24:40Z)
• SGD: Street View Synthesis with Gaussian Splatting and Diffusion Prior [53.52396082006044]
  現在の手法では、トレーニングの観点から大きく逸脱する観点で、レンダリングの品質を維持するのに苦労しています。 この問題は、移動中の車両の固定カメラが捉えた、まばらなトレーニングビューに起因している。 そこで本研究では,拡散モデルを用いて3DGSのキャパシティを向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T09:20:29Z)

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。