論文の概要: NanoGS: Training-Free Gaussian Splat Simplification

• arxiv url: http://arxiv.org/abs/2603.16103v1
• Date: Tue, 17 Mar 2026 03:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.094204
• Title: NanoGS: Training-Free Gaussian Splat Simplification
• Title（参考訳）: NanoGS: ガウシアンスプラットの簡易化
• Authors: Butian Xiong, Rong Liu, Tiantian Zhou, Meida Chen, Zhiwen Fan, Andrew Feng,
• Abstract要約: 3D Gaussian Splat(3DGS)は、異方性プリミティブの大きなセットでシーンを表現することによって、リアルタイムの新規ビュー合成を可能にする。 既存の圧縮手法の多くは、キャリブレーションされたイメージによるGPU集約的な後トレーニング最適化に依存しており、実際のデプロイメントを制限している。 ガウス版Splatの簡易化のためのトレーニングフリーで軽量なフレームワークであるNanoGSを紹介する。
• 参考スコア（独自算出の注目度）: 16.742149263332777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splat (3DGS) enables high-fidelity, real-time novel view synthesis by representing scenes with large sets of anisotropic primitives, but often requires millions of Splats, incurring significant storage and transmission costs. Most existing compression methods rely on GPU-intensive post-training optimization with calibrated images, limiting practical deployment. We introduce NanoGS, a training-free and lightweight framework for Gaussian Splat simplification. Instead of relying on image-based rendering supervision, NanoGS formulates simplification as local pairwise merging over a sparse spatial graph. The method approximates a pair of Gaussians with a single primitive using mass preserved moment matching and evaluates merge quality through a principled merge cost between the original mixture and its approximation. By restricting merge candidates to local neighborhoods and selecting compatible pairs efficiently, NanoGS produces compact Gaussian representations while preserving scene structure and appearance. NanoGS operates directly on existing Gaussian Splat models, runs efficiently on CPU, and preserves the standard 3DGS parameterization, enabling seamless integration with existing rendering pipelines. Experiments demonstrate that NanoGS substantially reduces primitive count while maintaining high rendering fidelity, providing an efficient and practical solution for Gaussian Splat simplification. Our project website is available at https://saliteta.github.io/NanoGS/.
• Abstract（参考訳）: 3D Gaussian Splat(3DGS)は、異方性プリミティブの大きなセットを持つシーンを表現することによって、高忠実でリアルタイムな新しいビュー合成を可能にするが、数百万のSplatを必要とし、ストレージと送信コストが大幅に上昇する。 既存の圧縮手法の多くは、キャリブレーションされたイメージによるGPU集約的な後トレーニング最適化に依存しており、実際のデプロイメントを制限している。 ガウス版Splatの簡易化のためのトレーニングフリーで軽量なフレームワークであるNanoGSを紹介する。 画像ベースのレンダリングの監督に頼る代わりに、NanoGSは局所的なペアワイズをスパース空間グラフにマージして単純化する。 本手法は, 1組のガウスアンと1組のプリミティブを, 質量保存モーメントマッチングを用いて近似し, 元の混合物と近似とのマージコストを原理として, マージ品質を評価する。 マージ候補を局所的に制限し、互換性のあるペアを効率的に選択することで、NanoGSはシーン構造と外観を保ちながらコンパクトなガウス表現を生成する。 NanoGSは既存のGaussian Splatモデル上で直接動作し、CPU上で効率的に動作し、標準の3DGSパラメータ化を保持し、既存のレンダリングパイプラインとのシームレスな統合を可能にする。 実験により、NanoGSは高レンダリング忠実度を維持しながらプリミティブカウントを大幅に削減し、ガウススプラットの単純化のための効率的で実用的なソリューションを提供することが示された。 プロジェクトのWebサイトはhttps://saliteta.github.io/NanoGS/.comで公開されている。

関連論文リスト

• Gaussian Herding across Pens: An Optimal Transport Perspective on Global Gaussian Reduction for 3DGS [13.03299802566674]
  3DGSは、放射場レンダリングの強力な技術として登場したが、通常は数百万の冗長なガウスプリミティブを必要とする。 本稿では,グローバルなガウス混合還元として3DGSのコンパクト化を推し進める,新しい最適輸送視点を提案する。 本手法は,バニラおよび加速3DGSパイプラインの任意の段階に適用可能であり,軽量なニューラルレンダリングへの効率的かつ非依存的な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-11T09:04:44Z)
• ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。 近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。 本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-21T18:55:14Z)
• GaussianSpa: An "Optimizing-Sparsifying" Simplification Framework for Compact and High-Quality 3D Gaussian Splatting [12.342660713851227]
  3D Gaussian Splatting (3DGS) は、ガウス関数の連続的な集合を利用して、新しいビュー合成の主流として登場した。 3DGSは、ガウシアンの多さを記憶するためのかなりのメモリ要件に悩まされており、その実用性を妨げている。 コンパクトで高品質な3DGSのための最適化ベースの単純化フレームワークであるGaussianSpaを紹介する。
  論文  参考訳（メタデータ） (2024-11-09T00:38:06Z)
• 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)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)
• 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。