論文の概要: AdpSplit: Error-Driven Adaptive Splitting for Faster Geometry Discovery in 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2605.06876v1
- Date: Thu, 07 May 2026 19:23:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.576127
- Title: AdpSplit: Error-Driven Adaptive Splitting for Faster Geometry Discovery in 3D Gaussian Splatting
- Title（参考訳）: AdpSplit: 誤差駆動型適応スプリットによる3次元ガウス平板の高速な幾何学的発見
- Abstract要約: 本稿では、エラー駆動型適応分割演算子であるAdpSplitを紹介し、分割子数を決定し、L1-ピクセルエラー領域統計から子パラメータを初期化する。
MipNeRF360、Deep-Blending、Thans&Templesのデータセット全体で、AdpSplitは、複数の加速された3DGSパイプラインのトレーニング時間を9.2%から22.3%削減する。
FastGSでは、AdpSplitはMipNeRF360上の全スケジュールPSNRと一致し、トレーニング時間を16.4%削減し、バニラ3DGSの12.6倍加速に対応している。
- 参考スコア（独自算出の注目度）: 61.977804325410695
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adaptive density control in 3D Gaussian Splatting (3DGS) repeatedly grows the Gaussian population through fixed-cardinality random splitting to discover useful scene structure. However, in vanilla 3DGS, its binary split operator requires many densification rounds to expose fine details, making it a bottleneck for efficient training schedules with fewer iterations. We introduce AdpSplit, an error-driven adaptive split operator that determines the number of split children and initializes the child parameters from L1-pixel-error region statistics, enabling fewer densification iterations, thus reduced training time, while preserving the rendering quality of full-schedule training. Across the MipNeRF360, Deep-Blending, and Tanks&Temples datasets, AdpSplit reduces the training time of multiple accelerated 3DGS pipelines by 9.2%-22.3% as a simple drop-in replacement for the standard split operator. With FastGS, AdpSplit matches the full-schedule PSNR on MipNeRF360 while reducing training time by 16.4%, corresponding to a 12.6x acceleration over vanilla 3DGS.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) における適応密度制御は, 固定心ランダムスプリッティングにより繰り返しガウス人口を増大させ, 有用なシーン構造を発見する。
しかし、バニラ3DGSでは、そのバイナリ分割演算子は細部の詳細を明らかにするために多くのデンシフィケーションラウンドを必要とするため、より少ないイテレーションで効率的なトレーニングスケジュールのボトルネックとなる。
本稿では, エラー駆動適応分割演算子であるAdpSplitを紹介し, 分割子数を判定し, 子パラメータをL1-ピクセルエラー領域統計から初期化する。
MipNeRF360、Deep-Blending、Tants&Templesのデータセット全体で、AdpSplitは標準スプリット演算子の簡単なドロップイン置換として、複数のアクセラレーションされた3DGSパイプラインのトレーニング時間を9.2%から22.3%削減する。
FastGSでは、AdpSplitはMipNeRF360上の全スケジュールPSNRと一致し、トレーニング時間を16.4%削減し、バニラ3DGSの12.6倍加速に対応している。
関連論文リスト
- Laplacian Frequency Hierarchies for Efficient 3D Gaussian Splatting Training [10.003234443699606]
3Dガウススプラッティングトレーニングにおける重要なボトルネックは、ガウス原始体の連続的な成長である。
本稿では、ラプラシアン画像分解と粗大な周波数ステージトレーニングを組み合わせた簡易で効率的な3DGS方式であるラプラシアン周波数階層を提案する。
平均速度は1Kで1.73xと1.21x、タミング3DGSとFastGSで4Kで1.74xと1.33xとなる。
論文 参考訳（メタデータ） (2026-09-03T03:46:49Z) - Splaxel: Efficient Distributed Training of 3D Gaussian Splatting for Large-scale Scene Reconstruction via Pixel-level Communication [23.72228306115471]
Splaxelは、ピクセルレベルの局所レンダリングとグローバルコンポジションに基づく通信効率のよい3DGSトレーニングフレームワークである。
Spaxelは最先端の分散3DGSフレームワークを最大7.6$times$スピードアップする。
論文 参考訳（メタデータ） (2026-06-17T01:27:41Z) - TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
論文 参考訳（メタデータ） (2026-06-14T16:59:48Z) - KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis [28.10448224660243]
3D Gaussian Splatting(3DGS)は、シーンを差別化によって最適化された異方性ガウスのコレクションとして表現することで、リアルタイムなノベルビュー合成を可能にする。
標準画素空間損失(L1, SSIM)は、再構成エラーのみを集約し、周波数スケールでエラーを再分配する最適化を可能にする。
我々は,自然画像統計に基づくウェーブレットドメインによる3DGSトレーニングを強化するKC-3DGSを提案する。
論文 参考訳（メタデータ） (2026-06-02T04:04:24Z) - SkipGS: Post-Densification Backward Skipping for Efficient 3DGS Training [40.28141759111142]
3D Gaussian Splatting (3DGS) は、数百万の異方性ガウスを最適化することにより、リアルタイムのノベルビュー合成を実現する。
本研究では,視覚適応型後方ゲーティング機構を備えたSkipGSを提案する。
Mip-NeRF 360では、3DGSと比較して、SkipGSは、デンシフィケーション後の42.0%の短縮により、エンドツーエンドのトレーニング時間を23.1%短縮する。
論文 参考訳（メタデータ） (2026-03-09T22:32:52Z) - FastGS: Training 3D Gaussian Splatting in 100 Seconds [15.1354395071878]
我々は,新しい,シンプルで汎用的なアクセラレーションフレームワークであるFastGSを提案する。
多視点整合性に基づく各ガウスの重要性を十分に考慮する。
トレーニング時間とレンダリング品質のトレードオフを効率よく解決します。
論文 参考訳（メタデータ） (2025-11-06T11:21:16Z) - LOBE-GS: Load-Balanced and Efficient 3D Gaussian Splatting for Large-Scale Scene Reconstruction [24.185537949073723]
3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3Dシーン再構築のための効率的な表現として確立されている。
本稿では,ロードバランシングと効率的な3DガウススティングフレームワークであるLoBE-GSを紹介する。
LoBE-GSは、最先端のベースラインよりも、エンドツーエンドのトレーニングタイムが最大2ドル高速になる。
論文 参考訳（メタデータ） (2025-10-02T08:02:06Z) - Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。
しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。
動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
論文 参考訳（メタデータ） (2025-06-09T16:30:48Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳（メタデータ） (2025-03-13T03:56:22Z) - 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt [65.25603275491544]
3DGS-LM, 3D Gaussian Splatting(3DGS)の再構築を高速化する新しい手法を提案する。
提案手法は, 元の3DGSよりも20%高速であり, 再構成品質の最適化が可能である。
論文 参考訳（メタデータ） (2024-09-19T16:31:44Z) - SparseGS: Real-Time 360° Sparse View Synthesis using Gaussian Splatting [6.506706621221143]
3D Splatting (3DGS)は3Dシーンをリアルタイムにレンダリングして新しいビュー合成を実現した。
この技術は3次元幾何学を正確に再構築するために、密集したトレーニングビューを必要とする。
スパーストレーニングビューのシナリオにおける3DGSの限界に対処するために設計された,効率的なトレーニングパイプラインであるSparseGSを紹介した。
論文 参考訳（メタデータ） (2023-11-30T21:38:22Z) - Exploring the Limits of Differentially Private Deep Learning with
Group-wise Clipping [91.60608388479645]
本研究では, クリッピングとバックプロパゲーションを併用して, 異なる最適化手法でクリッピングを行えることを示す。
その結果、プライベートな学習は、記憶効率が良く、トレーニング更新あたりの速度は、多くの関心を持つ非プライベートな学習と同程度になる。
論文 参考訳（メタデータ） (2022-12-03T05:20:15Z) - Variance Reduced Local SGD with Lower Communication Complexity [52.44473777232414]
本稿では,通信の複雑さをさらに軽減するために,分散化ローカルSGDを提案する。
VRL-SGDは、労働者が同一でないデータセットにアクセスしても、通信の複雑さが低い$O(Tfrac12 Nfrac32)$で、エンフラーイテレーションのスピードアップを達成する。
論文 参考訳（メタデータ） (2019-12-30T08:15:21Z)
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。