論文の概要: Learn2Splat: Extending the Horizon of Learned 3DGS Optimization

• arxiv url: http://arxiv.org/abs/2605.15760v1
• Date: Fri, 15 May 2026 09:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.230667
• Title: Learn2Splat: Extending the Horizon of Learned 3DGS Optimization
• Title（参考訳）: Learn2Splat: 学習された3DGS最適化の水平性を拡張する
• Authors: Naama Pearl, Stefano Esposito, Haofei Xu, Amit Peleg, Patricia Gschossmann, Lorenzo Porzi, Peter Kontschieder, Gerard Pons-Moll, Andreas Geiger,
• Abstract要約: 補助機構を使わずに地平線上における劣化を回避できる3DGSの学習手法を提案する。 その結果、長い地平線上で安定しながら、新しいビュークオリティを向上し、ゼロショットの一般化により、見当たらないリコンストラクション設定を実現した。
• 参考スコア（独自算出の注目度）: 53.913063313338874
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) optimization is most commonly performed using standard optimizers (Adam, SGD). While stable across diverse scenes, standard optimizers are general-purpose and not tailored to the structure of the problem. In particular, they produce independent parameter updates that do not capture the structural and spatial relationships within a scene, leading to inefficient optimization and slow convergence. Recent works introduced learned optimizers that predict correlated updates informed by inter-parameter and inter-Gaussian dependencies. However, these methods are trained for a fixed number of optimization iterations and rely on manually scheduled learning rates to avoid degradation. In this paper, we introduce a learned optimizer for 3DGS that avoids degradation over extended optimization horizons without auxiliary mechanisms. To enable this, we propose a meta-learning scheme that extends the optimization horizon via a checkpoint buffer and an optimizer rollout strategy, combined with an architecture that encodes gradient scale information in its latent states. Results show improved early novel view synthesis quality while remaining stable over long horizons, with zero-shot generalization to unseen reconstruction settings. To support our findings, we introduce the first unified framework for training and evaluating both learned and conventional optimizers across sparse and dense view settings. Code and models will be released publicly. Our project page is available at https://naamapearl.github.io/learn2splat .
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) の最適化は標準最適化器 (Adam, SGD) を用いて行うのが一般的である。 様々な場面で安定しているが、標準的なオプティマイザは汎用的であり、問題の構造に適合しない。 特に、シーン内の構造的および空間的関係を捉えない独立したパラメータ更新を生成し、非効率な最適化と緩やかな収束をもたらす。 最近の研究は、パラメータ間の依存性とガウス間の依存関係によって通知される相関した更新を予測する学習最適化を導入している。 しかし、これらの手法は一定回数の最適化イテレーションのために訓練されており、劣化を避けるために手動でスケジュールされた学習率に依存している。 本稿では,補助機構を使わずに,拡張最適化地平線上の劣化を回避する3DGSの学習最適化手法を提案する。 これを実現するために,チェックポイントバッファとオプティマイザのロールアウト戦略を通じて最適化地平線を拡張するメタラーニング手法を提案する。 その結果, 望ましくない再構成設定へのゼロショットの一般化により, 長地平線上を安定に保ちながら, 初期新規なビュー合成品質が向上した。 そこで本研究では,スパースと密集したビューセッティングにおいて,学習用および従来型のオプティマイザの両方をトレーニングし,評価するための最初の統合フレームワークを提案する。 コードとモデルは公開されます。 私たちのプロジェクトページはhttps://naamapearl.github.io/learn2splatで公開されています。

関連論文リスト

• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• 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)
• A Step to Decouple Optimization in 3DGS [38.797134528503015]
  3次元ガウススプラッティング(3DGS)は、リアルタイムな新規なビュー合成のための強力な技術として登場した。 本稿では,プロセスをSparse Adam, Re-State Regularization, Decoupled Attribute Regularizationに分割する。
  論文  参考訳（メタデータ） (2026-01-23T13:34:39Z)
• QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization [69.50126552763157]
  表面再構成はコンピュータビジョンとグラフィックスの基本であり、3Dモデリング、混合現実、ロボット工学などの応用を可能にする。 レンダリングに基づく既存のアプローチは有望な結果を得るが、シーンごとに最適化されるため、テクスチャレスな領域をモデル化するのに苦労する可能性がある。 大規模屋内シーンの2次元ガウススプラッティング最適化のための高密度初期化を生成するために,データ駆動の先行処理を学習するQuickSplatを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T18:43:26Z)
• Narrowing the Focus: Learned Optimizers for Pretrained Models [24.685918556547055]
  本稿では,一連の基本作業タスクによって提供される更新方向の階層固有の線形結合を学習する手法を提案する。 画像上で評価すると、これはAdamのような従来の既成の方法と既存の一般的な学習の両方で著しく優れています。
  論文  参考訳（メタデータ） (2024-08-17T23:55:19Z)
• A Primer on Zeroth-Order Optimization in Signal Processing and Machine Learning [95.85269649177336]
  ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。 我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-11T06:50:35Z)

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。