論文の概要: Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification

• arxiv url: http://arxiv.org/abs/2604.28016v1
• Date: Thu, 30 Apr 2026 15:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.167567
• Title: Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification
• Title（参考訳）: 構造認識デンシフィケーションによる高速3次元ガウス平滑化コンバージェンス
• Authors: Linjie Lyu, Ayush Tewari, Jianchun Chen, Thomas Leimkühler, Christian Theobalt,
• Abstract要約: 3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化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）: 52.517763621139956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting has emerged as a powerful scene representation for real-time novel-view synthesis. However, its standard adaptive density control relies on screen-space positional gradients, which do not distinguish between geometric misplacement and frequency aliasing, often leading to either over-blurred high-frequency textures or inefficient over-densification. We present a structure-aware densification framework. Our key insight is that the decision to subdivide a Gaussian should be driven by an explicit comparison between its projected screen-space extent and the local structure of the texture it seeks to represent. We introduce a multi-scale frequency analysis combining structure tensors with Laplacian scale space analysis to estimate the dominant frequency at each pixel, enabling robust supervision across varying texture scales. Based on this analysis, we define $η$, a per-Gaussian, per-axis frequency violation metric that indicates when a primitive may be under-resolving local texture details. Unlike methods that perform isotropic splitting (e.g., splitting each Gaussian into two smaller ones with uniform shape), our approach performs anisotropic splitting. For each axis with high $η$, we compute a split factor to better resolve the local frequency content. We further introduce a multiview consistency criterion that aggregates $η$ observations across multiple views. By performing densification early and faster, we skip the lengthy iterative densification phases required by baseline methods and achieve significantly faster convergence. Experiments on standard benchmarks demonstrate that our method also achieves superior reconstruction quality, particularly in high-frequency regions.
• Abstract（参考訳）: 3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 しかし、その標準適応密度制御は、幾何学的ずれと周波数エイリアスを区別しないスクリーン空間の位置勾配に依存しており、しばしば過度に青色の高周波テクスチャや非効率な過密度化をもたらす。 構造認識型デンシフィケーションフレームワークを提案する。 我々の重要な洞察は、ガウスを分割するという決定は、投影されたスクリーン空間の範囲と、それが表現しようとするテクスチャの局所構造との明示的な比較によって引き起こされるべきであるということである。 構造テンソルとラプラシアンスケールの空間解析を組み合わせたマルチスケール周波数解析を導入し,各画素における支配周波数を推定し,様々なテクスチャスケールにわたって堅牢な監視を可能にする。 この分析に基づいて、プリミティブが局所テクスチャの詳細を過度に解決している可能性があることを示すガウスあたりの周波数違反指標である$η$を定義する。 等方的分割を行う方法(例えば、各ガウスを一様形状の小さな2つに分割する)とは異なり、我々のアプローチは異方的分割を行う。 η$が高い各軸に対して、局所周波数内容をよりよく解くために分割係数を計算する。 さらに、複数のビューにまたがって$η$の観測を集約するマルチビュー一貫性基準を導入する。 より早く, より高速にデンシフィケーションを行うことにより, ベースライン法で要求される長い反復的デンシフィケーションフェーズを省略し, はるかに高速な収束を実現する。 標準ベンチマーク実験により, 提案手法は特に高周波領域において, 高い再現性が得られることが示された。

関連論文リスト

• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• FACT-GS: Frequency-Aligned Complexity-Aware Texture Reparameterization for 2D Gaussian Splatting [10.495318519671963]
  テクスチュアベースのガウスアンは、局所的な視覚的複雑さに関係なく同じサンプリング密度を割り当てる一様一様サンプリンググリッドで外観をパラメータ化する。 FACT-GSは、局所的な視覚周波数に応じてテクスチャサンプリング密度を割り当てる、周波数対応複雑度対応テクスチャ・ガウシアン・スプレイティング・フレームワークである。
  論文  参考訳（メタデータ） (2025-11-28T15:47:29Z)
• FGS-SLAM: Fourier-based Gaussian Splatting for Real-time SLAM with Sparse and Dense Map Fusion [11.166178468890777]
  3Dガウススプラッティングは、リアルタイムの位置決めと高忠実度マップの構築を可能にすることによって、高度に局所化とマッピング(SLAM)技術を備えている。 本稿では,フーリエ周波数領域解析に基づく適応型密度化手法を提案する。 これは、周波数領域解析を利用して、高品質なガウス写像をリアルタイムに実現した最初のSLAMシステムである。
  論文  参考訳（メタデータ） (2025-03-03T02:33:39Z)
• PSRGS:Progressive Spectral Residual of 3D Gaussian for High-Frequency Recovery [3.310033172069517]
  3Dガウススプラッティング(3D GS)は、小さな単一対象のシーンに対する新しいビュー合成において、印象的な結果をもたらす。 しかし、大規模なリモートセンシングシーンに適用すると、3D GSは課題に直面します。 スペクトル残差マップに基づくプログレッシブ最適化手法であるPSRGSを提案する。
  論文  参考訳（メタデータ） (2025-03-02T10:52:46Z)
• GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
  スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。 我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。 いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-18T08:18:44Z)
• FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization [67.47895278233717]
  周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。 FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-03-11T17:00:27Z)
• FFD: Fast Feature Detector [22.51804239092462]
  特定のスケール空間領域にロバストで正確なキーポイントが存在することを示す。 スケールスペースピラミッドの滑らか度比とぼかしをそれぞれ2と0.627に設定することで、信頼性の高いキーポイントの検出が容易であることが証明された。
  論文  参考訳（メタデータ） (2020-12-01T21:56:35Z)

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。