論文の概要: Z-Order Transformer for Feed-Forward Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2605.13465v1
• Date: Wed, 13 May 2026 12:54:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.051685
• Title: Z-Order Transformer for Feed-Forward Gaussian Splatting
• Title（参考訳）: フィードフォワードガウス平板用Z次変圧器
• Authors: Can Wang, Lei Liu, Wei Jiang, Dong Xu,
• Abstract要約: 本稿では,フィードフォワードガウススプラッティングに特化して設計されたトランスフォーマーアーキテクチャを提案する。 我々の重要な洞察は、ガウス人間の空間的・意味的関係は、まばらな注意機構によって効果的に捉えられるということである。 我々は,このZ順序戦略を組み込んで,重要な構造的詳細を保存しながら,冗長性を適応的に抑制する。
• 参考スコア（独自算出の注目度）: 14.297614617317533
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in 3D Gaussian Splatting (3DGS) have enabled significant progress in photorealistic novel view synthesis. However, traditional 3DGS relies on a slow, iterative optimization process, which limits its use in scenarios demanding real-time results. To overcome this bottleneck, recent feed-forward methods aim to predict Gaussian attributes directly from images, but they often struggle with the redundancy of Gaussian primitives and rendering quality. In this work, we introduce a transformer-based architecture specifically designed for feed-forward Gaussian Splatting. Our key insight is that spatial and semantic relationships among Gaussians can be effectively captured through a sparse attention mechanism, enabled by a Z-order strategy that organizes the unstructured Gaussian set into a spatially coherent sequence. Furthermore, we incorporate this Z-order strategy to adaptively suppress redundancy while preserving critical structural details. This allows the transformer to efficiently model context, compress Gaussian primitives, and predict Gaussian attributes in a single forward pass. Comprehensive experiments demonstrate that our method achieves fast and high-quality novel view synthesis with fewer Gaussian primitives.
• Abstract（参考訳）: 3Dガウススプラッティング(3DGS)の最近の進歩は、フォトリアリスティックな新規なビュー合成に大きな進歩をもたらした。 しかし、従来の3DGSは、リアルタイムな結果を必要とするシナリオでの使用を制限する、遅い反復的な最適化プロセスに依存している。 このボトルネックを克服するために、最近のフィードフォワード法は、画像から直接ガウス属性を予測することを目的としているが、ガウスプリミティブの冗長性とレンダリング品質に苦慮することが多い。 本研究では,フィードフォワードガウススプラッティングに特化して設計されたトランスフォーマーアーキテクチャを提案する。 我々の重要な洞察は、非構造ガウス集合を空間的コヒーレントなシーケンスに整理するZ階戦略により、ガウス間の空間的および意味的関係をスパースアテンション機構によって効果的に捉えることができるということである。 さらに、このZ順序戦略を組み込んで、重要な構造的詳細を保存しながら、冗長性を適応的に抑制する。 これにより、変換器はコンテキストを効率的にモデル化し、ガウス的プリミティブを圧縮し、ガウス的属性を単一の前方通過で予測することができる。 包括的実験により,ガウス的プリミティブの少ない高速かつ高品質な新規ビュー合成が実現された。

関連論文リスト

• F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
  本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。 本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。 実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-22T16:03:56Z)
• 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)
• Structure Consistent Gaussian Splatting with Matching Prior for Few-shot Novel View Synthesis [28.3325478008559]
  SCGaussian, structure Consistent Gaussian Splatting method using matching priors to learn 3D consistent scene structure。 シーン構造を2つの折り畳みで最適化する: 幾何学の描画とより重要なのは、ガウス原始体の位置である。 前方, 周囲, 複雑な大規模シーンにおける実験により, 最先端性能と高効率性によるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-06T03:28:06Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)

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。