論文の概要: 3DTurboQuant: Training-Free Near-Optimal Quantization for 3D Reconstruction Models

• arxiv url: http://arxiv.org/abs/2604.05366v1
• Date: Tue, 07 Apr 2026 03:06:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.595743
• Title: 3DTurboQuant: Training-Free Near-Optimal Quantization for 3D Reconstruction Models
• Title（参考訳）: 3DTurboQuant:3次元再構成モデルのためのトレーニング不要に近い量子化
• Authors: Jae Joong Lee,
• Abstract要約: 既存の3Dコンストラクタ圧縮方法は、シーンごとの微調整を通じてデータ依存のコードブックを学習する必要がある。 これらのモデルにおける記憶を支配しているパラメータベクトルは、単一のランダム回転が任意の入力を既知のベータ分布の座標に変換する次元範囲に該当する。 我々は,(1)どのパラメータを量子化して,どのビット幅で実験を行うことができるかを予測する次元依存的基準,(2)量子化MSEとシーン毎のレンダリングPSNRを接続するノルム分離境界,(3)回転ベースの量子化を拡張したエントリグループ化戦略を導出する。
• 参考スコア（独自算出の注目度）: 2.0789144738685956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every existing method for compressing 3D Gaussian Splatting, NeRF, or transformer-based 3D reconstructors requires learning a data-dependent codebook through per-scene fine-tuning. We show this is unnecessary. The parameter vectors that dominate storage in these models, 45-dimensional spherical harmonics in 3DGS and 1024-dimensional key-value vectors in DUSt3R, fall in a dimension range where a single random rotation transforms any input into coordinates with a known Beta distribution. This makes precomputed, data-independent Lloyd-Max quantization near-optimal, within a factor of 2.7 of the information-theoretic lower bound. We develop 3D, deriving (1) a dimension-dependent criterion that predicts which parameters can be quantized and at what bit-width before running any experiment, (2) norm-separation bounds connecting quantization MSE to rendering PSNR per scene, (3) an entry-grouping strategy extending rotation-based quantization to 2-dimensional hash grid features, and (4) a composable pruning-quantization pipeline with a closed-form compression ratio. On NeRF Synthetic, 3DTurboQuant compresses 3DGS by 3.5x with 0.02dB PSNR loss and DUSt3R KV caches by 7.9x with 39.7dB pointmap fidelity. No training, no codebook learning, no calibration data. Compression takes seconds. The code will be released (https://github.com/JaeLee18/3DTurboQuant)
• Abstract（参考訳）: 3Dガウス版、NeRF、またはトランスフォーマーベースの3D再構成器を圧縮する既存の方法は、シーンごとの微調整を通じてデータ依存のコードブックを学習する必要がある。 これは不要であることを示す。 これらのモデルの記憶を支配しているパラメータベクトル、DUSt3Rの3DGSの45次元球面調和、DUSt3Rの1024次元鍵値ベクトルは、単一のランダム回転が任意の入力を既知のベータ分布の座標に変換する次元範囲に該当する。 これにより、情報理論の下界の2.7倍の範囲内で、事前計算されたデータ非依存のロイズ・マックス量子化が最適に近い。 筆者らは,(1)どのパラメータを定量化できるのか,実験前にどのビット幅で予測できる次元依存的基準,(2)量子化MSEとPSNRをシーンごとのレンダリングに接続するノルム分離境界,(3)回転に基づく量子化を2次元のハッシュグリッド特徴に拡張するエントリーグループ戦略,(4)クローズドフォーム圧縮比で構成可能なプルーニング量子化パイプラインを考案した。 NeRFシンセティックでは、3DTurboQuantは3DGSを3.5倍圧縮し、0.02dBのPSNR損失とDUSt3R KVキャッシュを7.9倍圧縮し、39.7dBのポイントマップフィデリティを持つ。 トレーニングも、コードブック学習も、キャリブレーションデータもない。 圧縮には数秒かかる。 コードはリリースされます (https://github.com/JaeLee18/3DTurboQuant)

関連論文リスト

• 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)
• FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
  3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。 従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。 本稿では3DGSの弾性推論手法を提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:17:57Z)
• Compressing 3D Gaussian Splatting by Noise-Substituted Vector Quantization [14.71160140310766]
  3D Gaussian Splatting (3DGS) は3次元再構成において顕著な効果を示し, 実時間放射場レンダリングによる高品質な結果を得た。 単一のシーンを再構築するには、通常、59の浮動小数点パラメータで表現された数百万のガウススプラットが必要で、約1GBのメモリが生成される。 具体的には、ノイズ置換ベクトル量子化手法を用いて、コードブックとモデルの特徴を共同でトレーニングし、降下勾配最適化とパラメータ離散化の整合性を確保する。
  論文  参考訳（メタデータ） (2025-04-03T22:19:34Z)
• TC-GS: Tri-plane based compression for 3D Gaussian Splatting [28.502636841299356]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成のための顕著なフレームワークとして登場し、高い忠実度と高速なレンダリング速度を提供する。 本稿では, ガウス属性を符号化し, 圧縮に属性の分布を活かしたよく構造化された三面体を提案する。 我々のアプローチは、複数のデータセットにわたる広範な実験において、SOTA 3D Gaussian Splatting圧縮作業と同等かそれ以上の結果を得た。
  論文  参考訳（メタデータ） (2025-03-26T04:26:22Z)
• CAT-3DGS: A Context-Adaptive Triplane Approach to Rate-Distortion-Optimized 3DGS Compression [10.869104603083676]
  3D Gaussian Splatting (3DGS)は、最近、有望な3D表現として登場した。 リモート側への3DGS表現の圧縮と送信の必要性は見落としている。 この新しいアプリケーションは、レート歪みを最適化した3DGS圧縮を要求する。
  論文  参考訳（メタデータ） (2025-03-01T05:42:52Z)
• 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)

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。