論文の概要: Matryoshka Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2603.19234v1
• Date: Thu, 19 Mar 2026 17:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.339033
• Title: Matryoshka Gaussian Splatting
• Title（参考訳）: Matryoshka (複数形 Matryoshkas)
• Authors: Zhilin Guo, Boqiao Zhang, Hakan Aktas, Kyle Fogarty, Jeffrey Hu, Nursena Koprucu Aslan, Wenzhao Li, Canberk Baykal, Albert Miao, Josef Bengtson, Chenliang Zhou, Weihao Xia, Cristina Nader Vasconcelos. Cengiz Oztireli,
• Abstract要約: 既存の個別のLoDメソッドは限られた操作点のみを公開し、並行的なLoDアプローチはスムーズなスケーリングを可能にするが、フルキャパシティで顕著な品質劣化を被ることが多い。 我々は,標準的な3DGSパイプラインに対して,フル容量のレンダリング品質を犠牲にすることなく連続的なLoDを可能にするトレーニングフレームワークであるMatryoshka Gaussian Splatting (MGS)を紹介した。
• 参考スコア（独自算出の注目度）: 4.587430603097679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to render scenes at adjustable fidelity from a single model, known as level of detail (LoD), is crucial for practical deployment of 3D Gaussian Splatting (3DGS). Existing discrete LoD methods expose only a limited set of operating points, while concurrent continuous LoD approaches enable smoother scaling but often suffer noticeable quality degradation at full capacity, making LoD a costly design decision. We introduce Matryoshka Gaussian Splatting (MGS), a training framework that enables continuous LoD for standard 3DGS pipelines without sacrificing full-capacity rendering quality. MGS learns a single ordered set of Gaussians such that rendering any prefix, the first k splats, produces a coherent reconstruction whose fidelity improves smoothly with increasing budget. Our key idea is stochastic budget training: each iteration samples a random splat budget and optimises both the corresponding prefix and the full set. This strategy requires only two forward passes and introduces no architectural modifications. Experiments across four benchmarks and six baselines show that MGS matches the full-capacity performance of its backbone while enabling a continuous speed-quality trade-off from a single model. Extensive ablations on ordering strategies, training objectives, and model capacity further validate the designs.
• Abstract（参考訳）: レベル・オブ・ディテール(LoD)として知られる単一のモデルから調整可能な忠実度でシーンを描画する能力は、3Dガウス・スプレイティング(3DGS)の実践的な展開に不可欠である。 既存の個別のLoDメソッドは限られた操作点しか公開しないが、並行的なLoDアプローチはよりスムーズなスケーリングを可能にするが、フルキャパシティで顕著な品質劣化を被ることが多く、LoDはコストがかかる設計上の決定である。 我々は,標準的な3DGSパイプラインに対して,フル容量のレンダリング品質を犠牲にすることなく連続的なLoDを可能にするトレーニングフレームワークであるMatryoshka Gaussian Splatting (MGS)を紹介した。 MGSは1つの順序付けられたガウスの集合を学習し、最初の k 個のスプラットである任意の接頭辞を描画することで、予算の増加とともに忠実性は円滑に向上するコヒーレントな再構成を生成する。 それぞれのイテレーションはランダムな予算をサンプリングし、対応するプレフィックスとフルセットの両方を最適化します。 この戦略は2つの前方通過しか必要とせず、アーキテクチャの変更は不要である。 4つのベンチマークと6つのベースラインでの実験では、MGSはバックボーンのフル容量性能と一致し、単一のモデルから連続的な速度品質のトレードオフを可能にした。 注文戦略、訓練目標、モデル能力に関する徹底的な議論は、設計をさらに検証する。

関連論文リスト

• Constrained Dynamic Gaussian Splatting [47.982650444869336]
  Constrained Dynamic Gaussian Splatting (CDGS)は、動的シーン再構成を予算制約付き最適化問題として定式化する新しいフレームワークである。 本報告では,CDGSは,最先端手法に比べて3倍以上の圧縮を実現し,キャパシティの限界下で最適なレンダリング品質を提供することを示す。
  論文  参考訳（メタデータ） (2026-02-03T13:53:29Z)
• CLoD-GS: Continuous Level-of-Detail via 3D Gaussian Splatting [7.764273859026904]
  連続的なLoD機構を直接3DGS表現に統合するフレームワークであるCLoD-GSを紹介する。 CLoD-GSは、単一のモデルからスムーズで高品質なレンダリングを実現し、さまざまなパフォーマンス目標に対して高忠実度な結果を提供する。
  論文  参考訳（メタデータ） (2025-10-11T03:48:11Z)
• 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)
• 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)
• GoDe: Gaussians on Demand for Progressive Level of Detail and Scalable Compression [13.616981296093932]
  本稿では,ガウスを複数の階層構造に整理する,新しいモデルに依存しない手法を提案する。 この手法は最近の3DGSの圧縮手法と組み合わせて、単一のモデルで複数の圧縮比を瞬時にスケールすることができる。 典型的なデータセットやベンチマークに対するアプローチを検証し、スケーラビリティと適応性の観点から、低歪みと実質的な利得を示す。
  論文  参考訳（メタデータ） (2025-01-23T11:05:45Z)
• 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)
• Taming 3DGS: High-Quality Radiance Fields with Limited Resources [50.92437599516609]
  3D Gaussian Splatting (3DGS)は、高速で解釈可能で高忠実なレンダリングで新規ビュー合成を変換した。 予算で3DGSモデルをトレーニングし、レンダリングするという課題に取り組みます。 我々は、勾配計算と属性更新のための高速で数値的に等価な解を導出する。
  論文  参考訳（メタデータ） (2024-06-21T20:44:23Z)
• LP-3DGS: Learning to Prune 3D Gaussian Splatting [71.97762528812187]
  本稿では,トレーニング可能な2値マスクを重要度に応用し,最適プルーニング比を自動的に検出する3DGSを提案する。 実験の結果,LP-3DGSは効率と高品質の両面において良好なバランスを保っていることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T05:58:34Z)

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。