論文の概要: LAGS: Low-Altitude Gaussian Splatting with Groupwise Heterogeneous Graph Learning

• arxiv url: http://arxiv.org/abs/2604.16910v1
• Date: Sat, 18 Apr 2026 08:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.229306
• Title: LAGS: Low-Altitude Gaussian Splatting with Groupwise Heterogeneous Graph Learning
• Title（参考訳）: LAGS:グループワイド不均一グラフ学習による低高度ガウススプラッティング
• Authors: Yikun Wang, Yujie Wan, Wei Zuo, Shuai Wang, Yik-Chung Wu, Chengzhong Xu, Huseyin Arslan,
• Abstract要約: 低高度ガウススプラッティング(LAGS)は、分散ドローンからの空中画像を集約することで3Dシーンの再構築を容易にする。 LAGS資源割り当てのためのグループワイドヘテロジニアスグラフニューラルネットワーク(GW-HGNN)を提案する。 実世界のLAGSデータセットの実験では、GW-HGNNがキーレンダリングメトリクス全体で最先端のベンチマークを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 37.93687569263732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-altitude Gaussian splatting (LAGS) facilitates 3D scene reconstruction by aggregating aerial images from distributed drones. However, as LAGS prioritizes maximizing reconstruction quality over communication throughput, existing low-altitude resource allocation schemes become inefficient. This inefficiency stems from their failure to account for image diversity introduced by varying viewpoints. To fill this gap, we propose a groupwise heterogeneous graph neural network (GW-HGNN) for LAGS resource allocation. GW-HGNN explicitly models the non-uniform contribution of different image groups to the reconstruction process, thus automatically balancing data fidelity and transmission cost. The key insight of GW-HGNN is to transform LAGS losses and communication constraints into graph learning costs for dual-level message passing. Experiments on real-world LAGS datasets demonstrate that GW-HGNN significantly outperforms state-of-the-art benchmarks across key rendering metrics, including PSNR, SSIM, and LPIPS. Furthermore, GW-HGNN reduces computational latency by approximately 100x compared to the widely-used MOSEK solver, achieving millisecond-level inference suitable for real-time deployment.
• Abstract（参考訳）: 低高度ガウススプラッティング(LAGS)は、分散ドローンからの空中画像を集約することで3Dシーンの再構築を容易にする。 しかし、LAGSは通信スループットよりも再構築品質の最大化を優先しているため、既存の低高度リソース割り当て方式は効率が悪くなる。 この非効率性は、様々な視点から導入された画像の多様性を説明できないことに起因する。 このギャップを埋めるために、LAGSリソース割り当てのためのグループワイド不均一グラフニューラルネットワーク(GW-HGNN)を提案する。 GW-HGNNは、異なる画像群の再構成過程への一様でない寄与を明示的にモデル化し、データ忠実度と送信コストを自動的にバランスさせる。 GW-HGNNの重要な洞察は、LAGSの損失と通信制約をデュアルレベルメッセージパッシングのためのグラフ学習コストに変換することである。 実世界のLAGSデータセットの実験では、GW-HGNNがPSNR、SSIM、LPIPSを含む主要なレンダリング指標で最先端のベンチマークを大幅に上回っていることが示されている。 さらに、GW-HGNNは、広く使われているMOSEKソルバと比較して計算遅延を約100倍削減し、リアルタイムデプロイメントに適したミリ秒レベルの推論を実現する。

関連論文リスト

• MG-HGNN: A Heterogeneous GNN Framework for Indoor Wi-Fi Fingerprint-Based Localization [7.504850390950139]
  受信信号強度インジケータ(RSSI)は、Wi-Fi指紋の主要な表現であり、屋内のローカライゼーションにとって重要なツールである。 既存のRSSIベースの位置決め手法は、環境の複雑さとマルチソース情報処理の課題により、精度の低下に悩まされることが多い。 本稿では,空間認識の向上と位置決め性能の向上を図るため,新しい多グラフヘテロジニアスGNNフレームワーク(MG-HGNN)を提案する。
  論文  参考訳（メタデータ） (2025-11-10T16:27:27Z)
• Demystifying Distributed Training of Graph Neural Networks for Link Prediction [7.125495588888206]
  グラフニューラルネットワーク(GNN)は、グラフ関連の問題を解決する強力なツールである。 本稿では,性能劣化問題を調査し,リンク予測のためのGNNの分散トレーニングについて検討する。 本研究では,グラフスペーシフィケーションを効果的に活用し,通信コストの低減による性能劣化を緩和するSpLPGを提案する。
  論文  参考訳（メタデータ） (2025-06-25T20:32:23Z)
• Efficient Environmental Claim Detection with Hyperbolic Graph Neural Networks [1.7259898169307608]
  我々は、トランスフォーマーベースモデルの軽量かつ効果的な代替手段として、グラフニューラルネットワーク(GNN)とハイパーボリックグラフニューラルネットワーク(HGNN)について検討する。 以上の結果から,我々のグラフベースモデル,特にポインカー空間(P-HGNN)におけるHGNNは,環境クレーム検出の最先端技術よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-19T11:04:59Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Learn Locally, Correct Globally: A Distributed Algorithm for Training Graph Neural Networks [22.728439336309858]
  通信効率の良い分散GNNトレーニング手法であるtextLearn Locally, Correct Globally$ (LLCG)を提案する。 LLCGは、異なるマシン間のノード間の依存関係を無視してGNNをローカルデータでトレーニングし、その後、定期的なモデル平均化のためにローカルにトレーニングされたモデルをサーバに送信する。 我々は,GNNを訓練するための周期モデル平均化による分散手法の収束度を厳密に分析し,周期モデル平均化を適用するが,ノード間の依存性を無視することは既約残差に悩まされることを示す。
  論文  参考訳（メタデータ） (2021-11-16T03:07:01Z)

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。