論文の概要: Gaussians on a Diet: High-Quality Memory-Bounded 3D Gaussian Splatting Training

• arxiv url: http://arxiv.org/abs/2604.20046v2
• Date: Thu, 23 Apr 2026 22:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 13:34:22.031692
• Title: Gaussians on a Diet: High-Quality Memory-Bounded 3D Gaussian Splatting Training
• Title（参考訳）: 食生活におけるガウシアン:高品質記憶境界3Dガウシアンスプレイティングトレーニング
• Authors: Yangming Zhang, Jian Xu, Chaojian Li, Kunxiong Zhu, Wei Niu, Gagan Agrawal, Yang Katie Zhao, Jian Wang, Yingyan Celine Lin, Miao Yin,
• Abstract要約: 3D Gaussian Splatting (3DGS)は、数百万の3D Gaussianプリミティブの連続的な集約を通じて、高品質なレンダリングによる新しいビュー合成に革命をもたらした。 記憶のフットプリントに悩まされており、特にトレーニング中は、制御不能な密度化が原因である。 本稿では,反復的な成長と刈り込みを通じてガウスを動的に最適化するメモリバウンドトレーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.288643132782216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has revolutionized novel view synthesis with high-quality rendering through continuous aggregations of millions of 3D Gaussian primitives. However, it suffers from a substantial memory footprint, particularly during training due to uncontrolled densification, posing a critical bottleneck for deployment on memory-constrained edge devices. While existing methods prune redundant Gaussians post-training, they fail to address the peak memory spikes caused by the abrupt growth of Gaussians early in the training process. To solve the training memory consumption problem, we propose a systematic memory-bounded training framework that dynamically optimizes Gaussians through iterative growth and pruning. In other words, the proposed framework alternates between incremental pruning of low-impact Gaussians and strategic growing of new primitives with an adaptive Gaussian compensation, maintaining a near-constant low memory usage while progressively refining rendering fidelity. We comprehensively evaluate the proposed training framework on various real-world datasets under strict memory constraints, showing significant improvements over existing state-of-the-art methods. Particularly, our proposed method practically enables memory-efficient 3DGS training on NVIDIA Jetson AGX Xavier, achieving similar visual quality with up to 80% lower peak training memory consumption than the original 3DGS.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、数百万の3D Gaussianプリミティブの連続的な集約を通じて、高品質なレンダリングによる新しいビュー合成に革命をもたらした。 しかし、特に非制御の密度化によるトレーニング中にメモリフットプリントが大幅に低下し、メモリ制限されたエッジデバイスへのデプロイメントにおいて重要なボトルネックとなる。 既存の方法では冗長なガウスのポストトレーニングを行うが、トレーニングの初期に急激な成長によって生じるピーク記憶のスパイクには対処できない。 学習用メモリ消費問題を解決するために,ガウスの反復的成長と刈り取りによる動的最適化が可能な,メモリバウンドな学習フレームワークを提案する。 言い換えれば、提案するフレームワークは、低インパクトガウスの漸進的なプルーニングと、適応ガウス補償による新しいプリミティブの戦略的成長を交互に行い、レンダリングの忠実度を漸進的に改善しながら、ほぼ一定に近い低メモリ使用率を維持している。 提案したトレーニングフレームワークを,厳密なメモリ制約下で様々な実世界のデータセット上で総合的に評価し,既存の最先端手法よりも大幅に改善したことを示す。 特に,提案手法はNVIDIA Jetson AGX Xavierにおけるメモリ効率のよい3DGSトレーニングを実現し,従来の3DGSに比べて最大80%のピークトレーニングメモリ使用率で視覚的品質を実現している。

関連論文リスト

• GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。 大量のガウス点があるため、高いメモリコストに制約される。 コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
  論文  参考訳（メタデータ） (2026-04-02T10:41:51Z)
• GSta: Efficient Training Scheme with Siestaed Gaussians for Monocular 3D Scene Reconstruction [4.865050337780373]
  Gaussian Splatting (GS)は3D再構成の一般的なアプローチである。 大規模なストレージとメモリの要求に悩まされる。 本稿では,訓練中によく収束したガウスを同定するGStaを提案する。
  論文  参考訳（メタデータ） (2025-04-09T09:17:56Z)
• ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。 近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。 本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-21T18:55:14Z)
• 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)
• EAGLES: Efficient Accelerated 3D Gaussians with Lightweight EncodingS [40.94643885302646]
  3Dガウシアンスプラッティング(3D-GS)は、ノベルビューシーンの合成で人気がある。 レイディアンス・ニューラル・フィールド(NeRF)に関連する長いトレーニング時間と遅いレンダリング速度の課題に対処する。 本稿では,メモリ単位の記憶容量を大幅に削減するために,量子化埋め込みを利用する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:59:55Z)

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。