論文の概要: Drop-In Perceptual Optimization for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2603.23297v1
• Date: Mon, 23 Mar 2026 17:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.547949
• Title: Drop-In Perceptual Optimization for 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス平板のドロップイン知覚最適化
• Authors: Ezgi Ozyilkan, Zhiqi Chen, Oren Rippel, Jona Ballé, Kedar Tatwawadi,
• Abstract要約: 我々は、複数のデータセットと3DGSフレームワークにまたがる39,320のペアワイドレーティングを含む、3DGSに関する、人類初の大規模主観的研究を行う。 WD-R と呼ばれる Wsserstein Distortion の正規化バージョンが明確な勝者として登場し、高いスプラ数を得ることなく細かいテクスチャを回復できる。
• 参考スコア（独自算出の注目度）: 1.6849677514571988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite their output being ultimately consumed by human viewers, 3D Gaussian Splatting (3DGS) methods often rely on ad-hoc combinations of pixel-level losses, resulting in blurry renderings. To address this, we systematically explore perceptual optimization strategies for 3DGS by searching over a diverse set of distortion losses. We conduct the first-of-its-kind large-scale human subjective study on 3DGS, involving 39,320 pairwise ratings across several datasets and 3DGS frameworks. A regularized version of Wasserstein Distortion, which we call WD-R, emerges as the clear winner, excelling at recovering fine textures without incurring a higher splat count. WD-R is preferred by raters more than $2.3\times$ over the original 3DGS loss, and $1.5\times$ over current best method Perceptual-GS. WD-R also consistently achieves state-of-the-art LPIPS, DISTS, and FID scores across various datasets, and generalizes across recent frameworks, such as Mip-Splatting and Scaffold-GS, where replacing the original loss with WD-R consistently enhances perceptual quality within a similar resource budget (number of splats for Mip-Splatting, model size for Scaffold-GS), and leads to reconstructions being preferred by human raters $1.8\times$ and $3.6\times$, respectively. We also find that this carries over to the task of 3DGS scene compression, with $\approx 50\%$ bitrate savings for comparable perceptual metric performance.
• Abstract（参考訳）: 出力は最終的に人間の視聴者によって消費されるが、3Dガウススプラッティング(3DGS)の手法は、しばしばピクセルレベルの損失のアドホックな組み合わせに依存し、ぼやけたレンダリングをもたらす。 そこで本研究では,多種多様な歪み損失を探索することにより,3DGSの知覚的最適化戦略を体系的に検討する。 我々は、複数のデータセットと3DGSフレームワークにまたがる39,320のペアワイドレーティングを含む、3DGSに関する、人類初の大規模主観的研究を行う。 WD-R と呼ばれる Wsserstein Distortion の正規化バージョンが明確な勝者として登場し、高いスプラ数を得ることなく細かいテクスチャを回復できる。 WD-Rはオリジナルの3DGSの損失よりも2.3\times$、現在のPerceptual-GSよりも1.5\times$が好まれる。 また、WD-Rは、様々なデータセットにわたる最先端LPIPS、disTS、FIDスコアを一貫して達成し、Mip-SplattingやScaffold-GSといった最近のフレームワークを一般化し、WD-Rに置き換えることで、類似のリソース予算内での知覚的品質(Mip-Splattingのスプラット数、Scaffold-GSのモデルサイズ)が一貫して向上し、それぞれ1.8\times$と3.6\times$が好まれる。 また、これは3DGSシーン圧縮のタスクにつながり、$\approx 50\%$ bitrate saves for comparable perceptual metric performance。

関連論文リスト

• UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている 本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。 提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
  論文  参考訳（メタデータ） (2025-08-07T01:42:22Z)
• RLGS: Reinforcement Learning-Based Adaptive Hyperparameter Tuning for Gaussian Splatting [17.408202868773703]
  3DGS における適応型ハイパーパラメータチューニングのためのプラグアンドプレイ強化学習フレームワーク RLGS を提案する。 RLGSはモデルに依存しず、アーキテクチャの変更なしに既存の3DGSパイプラインにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-08-06T04:37:39Z)
• Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
  動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。 しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。 動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
  論文  参考訳（メタデータ） (2025-06-09T16:30:48Z)
• Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
  3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。 本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。 我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
  論文  参考訳（メタデータ） (2025-05-08T18:41:38Z)
• ResGS: Residual Densification of 3D Gaussian for Efficient Detail Recovery [21.259495668002796]
  そこで我々は, 残留分断法を新たに導入し, 残留分断法としてガウシアンを付加した。 我々のアプローチは、詳細を適応的に検索し、欠落した幾何学を補完することができる。
  論文  参考訳（メタデータ） (2024-12-10T13:19:27Z)
• 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)
• 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。