Fugu-MT 論文翻訳(概要): PD-4DGS:Progressive Decomposition of 4D Gaussian Splatting for Bandwidth-Adaptive Dynamic Scene Streaming

論文の概要: PD-4DGS:Progressive Decomposition of 4D Gaussian Splatting for Bandwidth-Adaptive Dynamic Scene Streaming

arxiv url: http://arxiv.org/abs/2605.11427v1
Date: Tue, 12 May 2026 02:26:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.529133
Title: PD-4DGS:Progressive Decomposition of 4D Gaussian Splatting for Bandwidth-Adaptive Dynamic Scene Streaming
Title（参考訳）: PD-4DGS:帯域幅適応動的シーンストリーミングのための4次元ガウス平板のプログレッシブ分解
Authors: Jiachen Li, Guangzhi Han, Jin Wan, Delong Han, Yuan Gao, Min Li, Mingle Zhou, Gang Li,
Abstract要約: 4DGSのプログレッシブ圧縮およびオンデマンド伝送のための最初のフレームワークであるPD-4DGSを提案する。 DycheckのiPhoneベンチマークでは、PD-4DGSがストリーミングされたビットストリームを60%カットした。
参考スコア（独自算出の注目度）: 20.021373872364897
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 4D Gaussian Splatting (4DGS) enables high-quality dynamic novel view synthesis, yet current models remain monolithic bitstreams that clients must download in full before any frame can be rendered, causing black-screen waits of tens to hundreds of seconds on mobile bandwidth and leaving 4DGS incompatible with modern adaptive-bitrate delivery. Progressive 3DGS compression alleviates this for static scenes, but it acts only on spatial anchors and cannot partition the temporal deformation networks that dominate dynamic-scene size. We present PD-4DGS, the first framework for progressive compression and on-demand transmission of 4DGS. Hierarchical Deformation Decomposition (HDD) externalises the coarse-to-fine motion hierarchy already latent in 4DGS into three independently transmittable layers -- a static scaffold, a global deformation, and a local refinement -- so that any prefix of the bitstream is already renderable, turning a single training run into a scalable, DASH/HLS-compatible bitstream. A Gaussian-entropy attribute rate-distortion loss together with a temporal mask consistency regulariser shrink the base layer while suppressing low-bitrate flicker; a capacity-weighted rollout schedule, gated online by a learnt activation rate rho, then prevents deformation-network under-training without any per-scene hyperparameter. On the Dycheck iPhone benchmark, PD-4DGS cuts the streamed bitstream by >60% at matched rendering fidelity and reduces first-frame latency from 73--930 s to ~1.7 s on a 2 Mbps link, uniquely enabling true on-demand progressive streaming for 4DGS.
Abstract（参考訳）: 4DGS(4D Gaussian Splatting)は高品質のダイナミックノベルビュー合成を可能にするが、現在のモデルはクライアントがフレームをレンダリングする前にフルにダウンロードしなければならないモノリシックなビットストリームのままであり、モバイル帯域で数秒から数百秒待ち、現代の適応ビットレート配信と互換性のない4DGSを残している。プログレッシブ3DGS圧縮は静的シーンにおいてこれを緩和するが、空間アンカーにのみ作用し、動的シーンサイズを支配する時間変形ネットワークを分割することができない。 4DGSのプログレッシブ圧縮およびオンデマンド伝送のための最初のフレームワークであるPD-4DGSを提案する。階層的変形分解(HDD)は、4DGSですでに潜伏している粗大な動き階層を、静的なスキャフォールト、大域的な変形、局所的な洗練という3つの独立した送信可能な層に外部化し、ビットストリームのプレフィックスがすでにレンダリング可能であり、単一のトレーニングがスケーラブルでDASH/HLS互換のビットストリームに変換される。低ビットレートフリックを抑えつつ、時間マスク整合正則器とともにガウス・エントロピー属性の速度歪み損失を基本層を縮小し、容量重み付きロールアウトスケジュールを学習アクティベーションレートrhoでオンライン化し、その後、未開のハイパーパラメータなしで変形ネット作業のトレーニングを防止する。 DycheckのiPhoneベンチマークでは、PD-4DGSはマッチしたレンダリング忠実度でストリーミングされたビットストリームを60%削減し、最初のフレームのレイテンシを2Mbpsのリンクで73--930秒から1.7秒に短縮し、4DGSの真のオンデマンドプログレッシブストリーミングを可能にした。

関連論文リスト

Inst4DGS: Instance-Decomposed 4D Gaussian Splatting with Multi-Video Label Permutation Learning [52.867634524554795]
Inst4DGS (Inst4DGS) は4DGS (4D Gaussian Splatting) で、ガウス単位の長い軌道を持つ。ビデオごとのラベル置換ラテントを導入し、異なるSinkhorn層を通してビデオ間の一致を学習する。この明示的なラベルアライメントは、シャープな決定境界と時間的に安定したアイデンティティをアイデンティティドリフトなしで生成する。
論文参考訳（メタデータ） (2026-03-19T01:49:20Z)
AirGS: Real-Time 4D Gaussian Streaming for Free-Viewpoint Video Experiences [8.988150010963382]
自由視点ビデオ(FVV)は、ユーザが任意の視点からシーンを見ることによって没入的な視聴体験を可能にする。 AirGSはストリーミング最適化された4DGSフレームワークで、トレーニングとデリバリを再構築して、高品質で低レイテンシな体験を可能にする。
論文参考訳（メタデータ） (2025-12-24T04:57:30Z)
TED-4DGS: Temporally Activated and Embedding-based Deformation for 4DGS Compression [14.026420167067117]
速度歪み最適化4DGS圧縮のための時間的活性化および埋め込みに基づく変形方式であるTED-4DGSを提案する。提案手法は,複数の実世界のデータセット上での最先端の速度歪み性能を実現する。
論文参考訳（メタデータ） (2025-12-05T05:46:35Z)
Diff4Splat: Controllable 4D Scene Generation with Latent Dynamic Reconstruction Models [79.06910348413861]
Diff4Splatは、単一の画像から制御可能で明示的な4Dシーンを合成するフィードフォワード方式である。単一の入力画像、カメラ軌跡、オプションのテキストプロンプトが与えられた場合、Diff4Splatは外見、幾何学、動きを符号化する変形可能な3Dガウス場を直接予測する。
論文参考訳（メタデータ） (2025-11-01T11:16:25Z)
4DGCPro: Efficient Hierarchical 4D Gaussian Compression for Progressive Volumetric Video Streaming [52.76837132019501]
本稿では,新しい階層型4D圧縮フレームワークである4DGCProを紹介する。 4DGCProは、プログレッシブボリュームビデオストリーミングによるリアルタイムモバイルデコーディングと高品質なレンダリングを容易にする。エンドツーエンドのエントロピー最適化トレーニングスキームを提案する。
論文参考訳（メタデータ） (2025-09-22T08:38:17Z)
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)
4DGC: Rate-Aware 4D Gaussian Compression for Efficient Streamable Free-Viewpoint Video [56.04182926886754]
3D Gaussian Splatting (3DGS)は、フォトリアリスティック・フリー・ビューポイント・ビデオ(FVV)体験を可能にする大きな可能性を秘めている。既存の方法は、動的3DGS表現と圧縮を別々に扱うのが一般的である。本稿では,FVVのRD性能を向上しつつ,ストレージサイズを大幅に削減するレート対応4Dガウス圧縮フレームワークである4DGCを提案する。
論文参考訳（メタデータ） (2025-03-24T08:05:27Z)
Light4GS: Lightweight Compact 4D Gaussian Splatting Generation via Context Model [21.375070073632944]
3次元ビュー合成技術(3DGS)は,新規・新規コンテンツのための効率的な高忠実度パラダイムとして登場している。 3DGSを動的コンテンツに適用するために、変形可能な3DGSは、時間的に変形可能なプリミティブと学習可能な遅延埋め込みを組み込んで複雑な動きをキャプチャする。優れた性能にもかかわらず、高次元の埋め込みと大量のプリミティブは、かなりのストレージ要件をもたらす。
論文参考訳（メタデータ） (2025-03-18T06:28:13Z)

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。