論文の概要: Generative 3D Gaussians with Learned Density Control
- arxiv url: http://arxiv.org/abs/2605.16355v1
- Date: Fri, 08 May 2026 17:54:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.91201
- Title: Generative 3D Gaussians with Learned Density Control
- Title（参考訳）: 学習密度制御による3次元ガウス生成
- Authors: Runjie Yan, Yan-Pei Cao, Peng Wang, Ding Liang, Yuan-Chen Guo,
- Abstract要約: 本稿では,適応的なレンダリングプリミティブとスケーラブルな生成モデルとのギャップを埋めるために設計された,新しい3次元表現であるDigital-Sampled Gaussian(DeG)を紹介する。
- 参考スコア（独自算出の注目度）: 41.893507326094415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Density-Sampled Gaussians (DeG), a novel 3D representation designed to bridge the gap between adaptive rendering primitives and scalable generative modeling. Unlike existing approaches that constrain 3D Gaussians to fixed voxel grids or arrays, DeG models Gaussian centers as samples from a learnable probability density function defined over an octree. This formulation provides a rigorous mathematical framework for adaptive density control: by jointly optimizing the spatial density and Gaussian attributes under rendering supervision, our model naturally concentrates primitives in regions of high geometric complexity. We achieve this via a new render loss contribution gradient that serves as a fully differentiable analogue to the discrete densification and pruning heuristics used in standard Gaussian Splatting. The resulting representation is highly flexible, supporting variable-resolution decoding from a single latent code by simply adjusting the sampling budget. To enable generative synthesis, we train a latent diffusion model on DeG. We identify a critical challenge in applying diffusion to unordered set-structured latents, which can significantly slow convergence, and propose VecSeq, a canonical re-indexing mechanism that anchors latent tokens to a deterministic 3D Sobol sequence. This transforms the ambiguous set-generation problem into a robust sequence modeling task. Extensive experiments demonstrate that our pipeline achieves state-of-the-art quality in single-image-to-3D generation, combining the structural adaptivity of unstructured primitives with the training stability of grid-based methods.
- Abstract（参考訳）: 本稿では,適応的なレンダリングプリミティブとスケーラブルな生成モデルとのギャップを埋めるために設計された,新しい3次元表現であるDigital-Sampled Gaussian(DeG)を紹介する。
3Dガウスを固定ボクセル格子や配列に制約する既存のアプローチとは異なり、DeGはガウス中心をオクツリー上で定義された学習可能な確率密度関数のサンプルとしてモデル化する。
この定式化は、適応密度制御のための厳密な数学的枠組みを提供する: レンダリング監督の下で空間密度とガウス属性を共同で最適化することにより、我々のモデルは、高度に幾何学的な複雑さのある領域に原始性を自然に集中させる。
我々は、新しいレンダリング損失寄与勾配によってこれを達成し、標準ガウススプラッティングで使用される離散的な密度化とプルーニングヒューリスティックスの完全な微分可能な類似体として機能する。
結果の表現は非常に柔軟で、サンプリング予算を単純に調整することで、単一の潜在コードから可変分解能デコードをサポートする。
生成合成を可能にするために,我々は遅延拡散モデルをDeG上で訓練する。
本研究では,非順序集合構造体に拡散を施す上で重要な課題を特定するとともに,遅延トークンを決定論的3次元ソボ列に固定する正準再インデックス機構であるVecSeqを提案する。
これにより、曖昧な集合生成問題をロバストなシーケンスモデリングタスクに変換する。
広汎な実験により,我々のパイプラインは,非構造プリミティブの構造適応性とグリッドベース手法のトレーニング安定性を組み合わせることで,単一画像から3D生成における最先端の品質を実現することが実証された。
関連論文リスト
- GaussianGPT: Towards Autoregressive 3D Gaussian Scene Generation [42.49842620609683]
本稿では,3次元ガウスを直接生成するトランスフォーマーモデルを提案する。
得られたトークンは、3次元回転する位置埋め込みを備えた因果変換器を用いてシリアライズされ、モデル化される。
シーンを均等に洗練する拡散法とは異なり、私たちの定式化はシーンをステップバイステップで構築し、自然に完了を支え、露光し、温度による制御可能なサンプリングを行い、フレキシブルな生成地平線を創出する。
論文 参考訳（メタデータ） (2026-03-27T17:58:05Z) - 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) - L3DG: Latent 3D Gaussian Diffusion [74.36431175937285]
L3DGは3次元ガウス拡散定式化による3次元ガウスの3次元モデリングのための最初のアプローチである。
我々は、部屋の大きさのシーンで効率的に操作するために、スパース畳み込みアーキテクチャーを用いている。
3Dガウス表現を利用することで、生成されたシーンを任意の視点からリアルタイムでレンダリングすることができる。
論文 参考訳（メタデータ） (2024-10-17T13:19:32Z) - GaussianCube: A Structured and Explicit Radiance Representation for 3D Generative Modeling [55.05713977022407]
構造的かつ完全明快な放射率表現を導入し、3次元生成モデリングを大幅に促進する。
我々はまず,新しい密度制約付きガウス適合アルゴリズムを用いてガウスキューブを導出する。
非条件およびクラス条件オブジェクト生成、デジタルアバター生成、テキスト・トゥ・3Dによる実験は、我々のモデル合成が最先端の生成結果を達成することを示す。
論文 参考訳（メタデータ） (2024-03-28T17:59:50Z)
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。