論文の概要: F3DGS: Federated 3D Gaussian Splatting for Decentralized Multi-Agent World Modeling

• arxiv url: http://arxiv.org/abs/2604.01605v1
• Date: Thu, 02 Apr 2026 04:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.269784
• Title: F3DGS: Federated 3D Gaussian Splatting for Decentralized Multi-Agent World Modeling
• Title（参考訳）: F3DGS:分散多エージェント世界モデリングのためのフェデレーション3次元ガウススプラッティング
• Authors: Morui Zhu, Mohammad Dehghani Tezerjani, Mátyás Szántó, Márton Vaitkus, Song Fu, Qing Yang,
• Abstract要約: 分散3次元再構成のためのF3DGS(Federated 3D Gaussian Splatting framework)を提案する。 本研究では,F3DGSがエージェント間の分散最適化を実現しつつ,集中学習に匹敵する再構成品質を実現することを示す。
• 参考スコア（独自算出の注目度）: 5.190329968828968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present F3DGS, a federated 3D Gaussian Splatting framework for decentralized multi-agent 3D reconstruction. Existing 3DGS pipelines assume centralized access to all observations, which limits their applicability in distributed robotic settings where agents operate independently, and centralized data aggregation may be restricted. Directly extending centralized training to multi-agent systems introduces communication overhead and geometric inconsistency. F3DGS first constructs a shared geometric scaffold by registering locally merged LiDAR point clouds from multiple clients to initialize a global 3DGS model. During federated optimization, Gaussian positions are fixed to preserve geometric alignment, while each client updates only appearance-related attributes, including covariance, opacity, and spherical harmonic coefficients. The server aggregates these updates using visibility-aware aggregation, weighting each client's contribution by how frequently it observed each Gaussian, resolving the partial-observability challenge inherent to multi-agent exploration. To evaluate decentralized reconstruction, we collect a multi-sequence indoor dataset with synchronized LiDAR, RGB, and IMU measurements. Experiments show that F3DGS achieves reconstruction quality comparable to centralized training while enabling distributed optimization across agents. The dataset, development kit, and source code will be publicly released.
• Abstract（参考訳）: 分散型マルチエージェント3D再構成のための3次元ガウス平滑化フレームワークであるF3DGSを提案する。 既存の3DGSパイプラインは、すべての観測結果への集中的なアクセスを前提としており、エージェントが独立して動作する分散ロボット設定における適用性を制限し、集中的なデータアグリゲーションを制限することができる。 集中型トレーニングをマルチエージェントシステムに直接拡張することは、通信オーバーヘッドと幾何学的不整合をもたらす。 F3DGSはまず、複数のクライアントからローカルに結合したLiDAR点雲を登録し、グローバルな3DGSモデルを初期化する。 連合最適化中、ガウスの位置は幾何アライメントを維持するために固定され、各クライアントは、共分散、不透明、球面調和係数を含む外観関連属性のみを更新する。 サーバは、可視性を考慮したアグリゲーションを使用してこれらの更新を集約し、各ガウスの頻度によって各クライアントのコントリビューションを重み付け、マルチエージェント探索に固有の部分可観測性の課題を解決する。 分散化再構成を評価するために, 同期LiDAR, RGB, IMU計測を用いた複数シーケンス屋内データセットを収集した。 実験の結果,F3DGSはエージェント間の分散最適化を実現しつつ,集中トレーニングに匹敵する再構成品質を実現することがわかった。 データセット、開発キット、ソースコードが公開される。

関連論文リスト

• FUSER: Feed-Forward MUltiview 3D Registration Transformer and SE(3)$^N$ Diffusion Refinement [39.19949818461193]
  Fは、全てのスキャンを統一されたコンパクトな潜在空間で処理する最初のフィードフォワードマルチビュー登録変換器である。 F はペアワイズ推定なしでグローバルなポーズを予測する。 3DMatch, ScanNet, ArkitScenesの実験により, 本手法が優れた登録精度と優れた計算効率を実現することを示す。
  論文  参考訳（メタデータ） (2025-12-10T07:11:22Z)
• Privacy-Aware Federated nnU-Net for ECG Page Digitization [0.0]
  ディープニューラルネットワークは、ECGページイメージを分析可能な波形に変換することができるが、集中的なトレーニングはしばしば、施設間のプライバシやデプロイメントの制約と矛盾する。 クロスサイロ・フェデレーション・デジタイゼーション・フレームワークでは、画像を共有することなくフルモデルnnU-Netセグメンテーションバックボーンをトレーニングし、サイト間で更新を集約する。 このプロトコルは、FedAvg、FedProx、FedAdamの3つの標準的なサーバサイドアグリゲータを統合し、中央のユーザレベルのディファレンシャルプライバシとセキュアなアグリゲーションを結合して、ユーティリティを正式な保証と整合させる。
  論文  参考訳（メタデータ） (2025-10-25T18:10:05Z)
• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
  3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。 一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。 本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Fed3DGS: Scalable 3D Gaussian Splatting with Federated Learning [12.927774549253789]
  Fed3DGSは3Dガウススプラッティング(3DGS)に基づくスケーラブルな3D再構成フレームワークである。 既存の都市規模の再構築手法では、中央サーバにすべてのデータを収集し、シーンを再構築する集中型アプローチが一般的である。
  論文  参考訳（メタデータ） (2024-03-18T04:26:18Z)
• Decentralized Sporadic Federated Learning: A Unified Algorithmic Framework with Convergence Guarantees [18.24213566328972]
  分散学習計算(DFL)は、(i)モデル更新と(ii)モデルアグリゲーションの両方が中央サーバなしでクライアントによって実行されるFL設定をキャプチャする。 $textttDSpodFL$は、ローカルグラデーションとアグリゲーションプロセスの両方において、$textitsporadicity$という一般的な概念に基づいて構築されたDFL方法論である。 $textttDSpodFL$は、さまざまなシステム設定のベースラインと比較して、改善されたスピードを一貫して達成する。
  論文  参考訳（メタデータ） (2024-02-05T19:02:19Z)
• Taming Gradient Variance in Federated Learning with Networked Control Variates [5.424502283356168]
  機械学習に対する分散型アプローチであるフェデレーション学習は、広範な通信オーバーヘッドなどの大きな課題に直面している。 フェデレートラーニングのための新しいネットワーク制御変数(FedNCV)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T07:32:52Z)

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。