論文の概要: ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2605.08739v1
- Date: Sat, 09 May 2026 06:59:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.850233
- Title: ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting
- Title（参考訳）: ReorgGS:3次元ガウス平滑化のための等価分布再構成
- Abstract要約: 収束した 3D Gaussian Splatting (3DGS) モデルは、さらなる最適化のためにパラメータ化が不十分なまま、ターゲットシーンを近似することができる。
収束3DGSモデルの等価分布再構成法であるReorgGSを提案する。
- 参考スコア（独自算出の注目度）: 7.439138611635001
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A converged 3D Gaussian Splatting (3DGS) model may approximate the target scene while remaining poorly parameterized for further optimization. We identify this failure mode as \emph{parameterization degeneration}: high-opacity floaters attenuate gradients to true surfaces through alpha compositing, and redundant overlapping clusters create strongly coupled parameter blocks with nearly collinear Jacobian responses. These effects explain why continued optimization can plateau even when the model still contains removable artifacts. We propose ReorgGS, an equivalent distribution reorganization method for converged 3DGS models. ReorgGS treats the existing Gaussian set as an empirical probability field, resamples centers from it, estimates local anisotropic covariances with kNN, initializes low opacity, and continues optimization with the original 3DGS renderer and loss. Unlike opacity reset, which only rescales opacity on the old overlap graph, ReorgGS rebuilds centers, covariances, and visibility structure, thereby changing the graph itself. Our analysis shows that distributional equivalence is not optimization equivalence. The reorganized model preserves scene support while improving gradient accessibility under alpha compositing and reducing opacity-weighted overlap, thereby weakening local parameter coupling during subsequent optimization. Under the same additional optimization budget, ReorgGS improves fitting quality at a fixed Gaussian count, suppresses persistent floaters, and reduces rendering overhead from redundant overlap.
- Abstract（参考訳）: 収束した 3D Gaussian Splatting (3DGS) モデルは、さらなる最適化のためにパラメータ化が不十分なまま、ターゲットシーンを近似することができる。
我々はこの障害モードを 'emph{parameterization degeneration} と同定する: 高オプティシティフローターはアルファ合成により真の表面への勾配を減衰させ、冗長な重なり合うクラスタは、ほぼコリニアジャコビアン応答を持つ強く結合したパラメータブロックを生成する。
これらの効果は、モデルが取り外し可能なアーティファクトを含む場合でも、継続する最適化がプラトーになる理由を説明する。
収束3DGSモデルの等価分布再構成法であるReorgGSを提案する。
ReorgGSは、既存のガウス集合を経験的確率場として扱い、そこから再サンプリングし、kNNとの局所異方性共分散を推定し、低不透明性を初期化し、元の3DGSレンダラーと損失で最適化を継続する。
古いオーバーラップグラフ上でのみ不透明度を再スケールする不透明度リセットとは異なり、ReorgGSは中心、共分散、可視構造を再構築し、グラフ自体を変更する。
解析の結果,分布同値性は最適化同値性ではないことがわかった。
再構成モデルは、アルファ合成による勾配アクセシビリティを改善しつつシーンサポートを保ち、不透明度重み付けを低減し、その後の最適化時の局所パラメータ結合を弱める。
同じ最適化予算の下で、ReorgGSは、固定されたガウス数での適合性を改善し、永続的なフローターを抑え、冗長なオーバーラップからレンダリングオーバーヘッドを低減する。
関連論文リスト
- Eulerian Gaussian Splatting using Hashed Probability Pyramids [10.396311715776003]
3Dガウススプラッティングの高速化と試験時間効率を維持するスプレート型放射界フレームワーク(3DGS)を提案する。
体積確率密度の勾配に基づく最適化で原始的な操作を置き換える。
3DGSレベルのレンダリング速度を維持しつつ,mip-NeRF 360における最先端の再現性を実現する。
論文 参考訳（メタデータ） (2026-05-27T22:01:01Z) - ForeSplat: Optimization-Aware Foresight for Feed-Forward 3D Gaussian Splatting [65.02700555625749]
ForeSplatはフィードフォワード3DGSモデルのための最適化対応のトレーニングフレームワークである。
ForeSplatはフィードフォワードモデルのキャパシティ圧力を大幅に低減する。
償却予測とシーンごとの最適化のギャップを埋める。
論文 参考訳（メタデータ） (2026-05-21T05:38:47Z) - MMGS: 10$\ imes$ Compressed 3DGS through Optimal Transport Aggregation based on Multi-view Ranking [6.445070918236315]
本稿では,グローバルな幾何分布マッチング問題としてガウス最適化を定式化する新しいフレームワークを提案する。
提案手法は,バニラ3DGSと比較して,プリミティブのtextbf10$%とトレーニング速度を高速化する textbf10$times$のみを用いて,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2026-05-19T03:33:02Z) - PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。
PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。
PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
論文 参考訳（メタデータ） (2026-05-12T13:00:39Z) - 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) - Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。
フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
論文 参考訳（メタデータ） (2026-04-01T15:40:20Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている
本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。
提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
論文 参考訳（メタデータ） (2025-08-07T01:42:22Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。
4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。
その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
論文 参考訳（メタデータ） (2025-04-08T07:15:58Z) - FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
FreeSplat++は大規模な屋内全シーン再構築の代替手法である。
深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
論文 参考訳（メタデータ） (2025-03-29T06:22:08Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z)
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。