論文の概要: Efficient Dense Matching for Enhanced Gaussian Splatting Using AV1 Motion Vectors

• arxiv url: http://arxiv.org/abs/2605.14629v1
• Date: Thu, 14 May 2026 09:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.758046
• Title: Efficient Dense Matching for Enhanced Gaussian Splatting Using AV1 Motion Vectors
• Title（参考訳）: AV1モーションベクトルを用いたガウス平滑化のための高効率デンスマッチング
• Authors: Julien Zouein, Vibhoothi Vibhoothi, François Pitié, Anil Kokaram,
• Abstract要約: 3D Gaussian Splatting (3DGS) はリアルタイム・フォトリアリスティックなシーン再構築のための重要なフレームワークとして登場した。 AV1ベースの特徴検出およびマッチングパイプラインを導入し、SfM処理のオーバーヘッドを大幅に削減する。 我々のパイプラインは、古典的なSfMの最大8倍の高密度の点雲を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a prominent framework for real-time, photorealistic scene reconstruction, offering significant speed-ups over Neural Radiance Fields (NeRF). However, the fidelity of 3DGS representations remains heavily dependent on the quality of the initial point cloud. While standard Structure-from-Motion (SfM) pipelines using COLMAP provide adequate initialisation, they often suffer from high computational costs and sparsity in textureless regions, which degrades subsequent reconstruction accuracy and convergence speed. In this work, we introduce an AV1-based feature detection and matching pipeline that significantly reduces SfM processing overhead. By leveraging motion vectors inherent to the AV1 video codec, we bypass computationally expensive exhaustive matching while maintaining geometric robustness. Our pipeline produces substantially denser point clouds, with up to eight times as many points as classical SfM. We demonstrate that this enhanced initialisation directly improves 3DGS performance, yielding an 9-point increase in VMAF and a 63% average reduction in training time required to reach baseline quality. The project page: https://sigmedia.tv/AV1-3DGS.github.io/
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) はリアルタイム・フォトリアリスティックなシーン再構築のための重要なフレームワークとして登場し、NeRF(Neural Radiance Fields)に対する大幅なスピードアップを提供している。 しかし、3DGS表現の忠実度は初期点雲の品質に大きく依存している。 COLMAPを用いた標準的なStructure-from-Motion (SfM)パイプラインは適切な初期化を提供するが、しばしばテクスチャレス領域における高い計算コストとスパース性に悩まされ、その後の再構築精度と収束速度が低下する。 本研究では,AV1に基づく特徴検出およびマッチングパイプラインを導入し,SfM処理のオーバーヘッドを大幅に低減する。 AV1ビデオコーデックに固有の動きベクトルを活用することにより、幾何学的ロバスト性を維持しつつ、計算コストのかかる徹底的なマッチングをバイパスする。 我々のパイプラインは、古典的なSfMの最大8倍の高密度の点雲を生成する。 この拡張初期化により3DGSの性能が向上し,VMAFが9ポイント向上し,ベースライン品質に到達するのに必要なトレーニング時間の平均63%が削減された。 プロジェクトページ: https://sigmedia.tv/AV1-3DGS.github.io/

関連論文リスト

• Speedy-Splat: Fast 3D Gaussian Splatting with Sparse Pixels and Sparse Primitives [60.217580865237835]
  3D Gaussian Splatting (3D-GS)は、3D Gaussian のパラメトリック点雲としてシーンをモデル化することで、新しいビューをリアルタイムにレンダリングすることのできる最近の3Dシーン再構築技術である。 レンダリング速度を大幅に向上させるために、3D-GSにおける2つの重要な非効率を同定し、対処する。 われわれのSpeedy-Splatアプローチはこれらの技術を組み合わせて、Mip-NeRF 360、Turps & Temples、Deep Blendingのデータセットから得られる、劇的な$mathit6.71timesで平均レンダリング速度を加速する。
  論文  参考訳（メタデータ） (2024-11-30T20:25:56Z)
• LP-3DGS: Learning to Prune 3D Gaussian Splatting [71.97762528812187]
  本稿では,トレーニング可能な2値マスクを重要度に応用し,最適プルーニング比を自動的に検出する3DGSを提案する。 実験の結果,LP-3DGSは効率と高品質の両面において良好なバランスを保っていることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T05:58:34Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)
• Relaxing Accurate Initialization Constraint for 3D Gaussian Splatting [29.58220473268378]
  我々は,3次元ガウス平滑化のための正確な初期化制約を導出する RAIN-GS という新しい最適化手法を提案する。 RAIN-GSは、準最適点雲(ランダム点雲など)から3Dガウスを訓練することに成功している。 ランダムポイントクラウドでトレーニングされたRAIN-GSは、正確なSfMポイントクラウドでトレーニングされた3DGSよりも高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-14T14:04:21Z)
• GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
  3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。 本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。 提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
  論文  参考訳（メタデータ） (2024-02-22T16:00:20Z)

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。