論文の概要: ARGS: Auto-Regressive Gaussian Splatting via Parallel Progressive Next-Scale Prediction

• arxiv url: http://arxiv.org/abs/2604.00494v1
• Date: Wed, 01 Apr 2026 05:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.844326
• Title: ARGS: Auto-Regressive Gaussian Splatting via Parallel Progressive Next-Scale Prediction
• Title（参考訳）: ARGS: 並列進行次世代予測による自動回帰ガウス平滑化
• Authors: Quanyuan Ruan, Kewei Shi, Jiabao Lei, Xifeng Gao, Xiaoguang Han,
• Abstract要約: 本稿では,自動回帰型ガウススプラッティング(ARGS)について紹介する。 階層木の使用により、生成プロセスは (mathcalO(log n)) ステップのみを必要とし、そこで (n) は点の数である。 提案手法は, 制御可能な詳細レベル, 視覚的忠実度, 管理可能な時間消費予算を有するマルチスケールガウス表現を効果的に生成する。
• 参考スコア（独自算出の注目度）: 24.251400178019328
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Auto-regressive frameworks for next-scale prediction of 2D images have demonstrated strong potential for producing diverse and sophisticated content by progressively refining a coarse input. However, extending this paradigm to 3D object generation remains largely unexplored. In this paper, we introduce auto-regressive Gaussian splatting (ARGS), a framework for making next-scale predictions in parallel for generation according to levels of detail. We propose a Gaussian simplification strategy and reverse the simplification to guide next-scale generation. Benefiting from the use of hierarchical trees, the generation process requires only \(\mathcal{O}(\log n)\) steps, where \(n\) is the number of points. Furthermore, we propose a tree-based transformer to predict the tree structure auto-regressively, allowing leaf nodes to attend to their internal ancestors to enhance structural consistency. Extensive experiments demonstrate that our approach effectively generates multi-scale Gaussian representations with controllable levels of detail, visual fidelity, and a manageable time consumption budget.
• Abstract（参考訳）: 2次元画像の次規模予測のための自動回帰フレームワークは、粗い入力を段階的に精錬することによって、多種多様な洗練されたコンテンツを生み出す強力な可能性を示している。 しかし、このパラダイムを3Dオブジェクト生成に拡張することは、まだほとんど未検討である。 本稿では,自己回帰型ガウススプラッティング(ARGS)について述べる。 本稿では,ガウスの単純化戦略を提案し,その単純化を逆転させて次世代を導く。 階層木の使用により、生成プロセスは、(n\) が点の数であるような \(\mathcal{O}(\log n)\) ステップのみを必要とする。 さらに,木構造を自動回帰的に予測する木構造変換器を提案する。 広汎な実験により, 制御可能な詳細レベル, 視覚的忠実度, 管理可能な時間消費予算を有するマルチスケールガウス表現を効果的に生成できることが実証された。

関連論文リスト

• IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction [77.06211178777939]
  IAR2は、階層的なセマンティックディーテール合成プロセスを可能にする高度な自己回帰フレームワークである。 我々は、IAR2が自動回帰画像生成のための新しい最先端技術を設定し、ImageNet上で1.50のFIDを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:08:21Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• Progressive Gaussian Transformer with Anisotropy-aware Sampling for Open Vocabulary Occupancy Prediction [9.952279648243058]
  オープンな3次元占有予測を可能にする革新的プログレッシブ・ガウス変換フレームワークPG-Occを提案する。 本フレームワークでは,3次元ガウス表現を段階的に強化し,細かなシーンの詳細を捉えるフィードフォワード戦略であるプログレッシブオンラインデシフィケーションを採用している。 PG-Occは従来よりも14.3%mIoUの改善が得られた。
  論文  参考訳（メタデータ） (2025-10-06T12:36:07Z)
• ARMesh: Autoregressive Mesh Generation via Next-Level-of-Detail Prediction [45.699110709239996]
  本稿では,3次元メッシュの自動回帰生成手法を提案する。 具体的には、メッシュの単純化アルゴリズムを見て、メッシュを徐々にマージして、よりシンプルなメッシュを構築する。 実験により、この新しいプログレッシブメッシュ生成アプローチは、生成品質と時間消費を直感的に制御できることを示した。
  論文  参考訳（メタデータ） (2025-09-25T07:12:02Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• Diffusion-Free Graph Generation with Next-Scale Prediction [3.505533791554976]
  次世代の予測に基づく拡散自由グラフ生成フレームワークを提案する。 潜在表現の階層化を活用することで、モデルは明示的なノード順序付けを必要とせずに、グラフ全体のスケールを段階的に生成する。 ジェネリックグラフと分子グラフの両方の実験は、この手法の可能性を実証し、最先端の手法よりも最大3桁の推論速度を達成した。
  論文  参考訳（メタデータ） (2025-03-30T22:30:34Z)
• FlowAR: Scale-wise Autoregressive Image Generation Meets Flow Matching [34.112157859384645]
  本稿では,合理化スケール設計を特徴とする次世代のスケール予測手法であるFlowARを紹介する。 これにより、VARの複雑なマルチスケール残留トークン化器が不要になる。 課題であるImageNet-256ベンチマークにおけるFlowARの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-19T18:59:31Z)
• GVGEN: Text-to-3D Generation with Volumetric Representation [89.55687129165256]
  3Dガウススプラッティングは、高速で高品質なレンダリング機能で知られる3D再構成と生成のための強力な技術として登場した。 本稿では,テキスト入力から3次元ガウス表現を効率的に生成する新しい拡散型フレームワークGVGENを提案する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:52Z)

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。