論文の概要: FilterGS: Traversal-Free Parallel Filtering and Adaptive Shrinking for Large-Scale LoD 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2603.23891v1
• Date: Wed, 25 Mar 2026 03:29:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.111083
• Title: FilterGS: Traversal-Free Parallel Filtering and Adaptive Shrinking for Large-Scale LoD 3D Gaussian Splatting
• Title（参考訳）: FilterGS: 大規模LoDガウス3次元スプラッティングのためのトラバーサルフリー並列フィルタと適応研削
• Authors: Yixian Wang, Haolin Yu, Jiadong Tang, Yu Gao, Xihan Wang, Yufeng Yue, Yi Yang,
• Abstract要約: 3D Gaussian Splattingは、リアルタイムパフォーマンスでニューラルレンダリングに革命をもたらした。 本稿では,2つの補完フィルタを備えた並列フィルタリング機構を特徴とするFilterGSを紹介する。 また,ガウス型鍵値対の冗長性を定量化する新しいGCC測度を提案する。
• 参考スコア（独自算出の注目度）: 16.350229544632104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting has revolutionized neural rendering with real-time performance. However, scaling this approach to large scenes using Level-of-Detail methods faces critical challenges: inefficient serial traversal consuming over 60\% of rendering time, and redundant Gaussian-tile pairs that incur unnecessary processing overhead. To address these limitations, we introduce FilterGS, featuring a parallel filtering mechanism with two complementary filters that select Gaussian elements efficiently without tree traversal. Additionally, we propose a novel GTC metric that quantifies the redundancy of Gaussian-tile key-value pairs. Based on this metric, we introduce a scene-adaptive Gaussian shrinking strategy that effectively reduces redundant pairs. Extensive experiments demonstrate that FilterGS achieves state-of-the-art rendering speeds while maintaining competitive visual quality across multiple large-scale datasets. Project page: https://github.com/xenon-w/FilterGS
• Abstract（参考訳）: 3D Gaussian Splattingは、リアルタイムパフォーマンスでニューラルレンダリングに革命をもたらした。 しかし、この手法をLevel-of-Detail手法を用いて大規模なシーンに拡張することは、非効率なシリアルトラバーサルのレンダリング時間の60%以上を消費し、不要な処理オーバーヘッドを発生させる冗長なガウスタイルペアという、重大な課題に直面している。 これらの制約に対処するために,木を横断することなく効率的にガウス要素を選択する2つの補完フィルタを備えた並列フィルタ機構を備えたFilterGSを導入する。 さらに,ガウス型キー値対の冗長性を定量化する新しいGCC測度を提案する。 この指標に基づき、冗長ペアを効果的に削減するシーン適応型ガウス縮小戦略を導入する。 大規模な実験では、FilterGSが最先端のレンダリング速度を達成すると同時に、複数の大規模データセット間の競合的な視覚的品質を維持することが示されている。 プロジェクトページ:https://github.com/xenon-w/FilterGS

関連論文リスト

• LOD-GS: Level-of-Detail-Sensitive 3D Gaussian Splatting for Detail Conserved Anti-Aliasing [12.919506807448244]
  LOD-GSは、ガウススティングのためのレベル・オブ・ディテール・センシティブなフィルタリングフレームワークである。 各ガウス関数に基底関数の集合を導入し、モデル外見の変動に対する入力としてサンプリング率をとる。 本手法は,エイリアスを効果的に除去しつつ,SOTAレンダリングの品質を実現する。
  論文  参考訳（メタデータ） (2025-07-01T08:22:35Z)
• Second-order Optimization of Gaussian Splats with Importance Sampling [51.95046424364725]
  3D Gaussian Splatting (3DGS) は、高品質で高速な推論時間のため、新しいビューレンダリングに広く用いられている。 本稿では,Levenberg-Marquardt (LM) と Conjugate Gradient (CG) に基づく新しい2階最適化手法を提案する。 提案手法は標準LMよりも3倍の高速化を実現し,ガウス数が少ない場合のAdamを6倍の6倍の速さで上回る。
  論文  参考訳（メタデータ） (2025-04-17T12:52:08Z)
• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• AdR-Gaussian: Accelerating Gaussian Splatting with Adaptive Radius [38.774337140911044]
  3D Gaussian Splatting (3DGS)は、複雑なシーンの高品質な再構成とリアルタイムレンダリングを実現した、最近の明示的な3D表現である。 本稿では,AdR-Gaussianを提案する。これは並列カリングを実現するために,Renderステージのシリアルカリングの一部を前処理ステージに移動させる。 私たちのコントリビューションは3倍で、レンダリング速度は310%で、最先端技術よりも同等かそれ以上品質を維持しています。
  論文  参考訳（メタデータ） (2024-09-13T09:32:38Z)
• 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)
• Mip-Splatting: Alias-free 3D Gaussian Splatting [52.366815964832426]
  3D Gaussian Splattingは素晴らしいビュー合成結果を示し、高い忠実度と効率を実現した。 ストロングアーティファクトは、サンプリングレート、例えば焦点距離やカメラ距離を変えることで観測することができる。 この現象の原因は,3次元周波数制約の欠如と2次元拡張フィルタの利用によると考えられる。
  論文  参考訳（メタデータ） (2023-11-27T13:03:09Z)

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。