論文の概要: GLUT: 3D Gaussian Lookup Table for Continuous Color Transformation
- arxiv url: http://arxiv.org/abs/2605.19889v1
- Date: Tue, 19 May 2026 14:17:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.39495
- Title: GLUT: 3D Gaussian Lookup Table for Continuous Color Transformation
- Title（参考訳）: GLUT:連続色変換のための3次元ガウスルックアップテーブル
- Authors: Danna Xue, David Serrano-Lozano, Shaolin Su, Javier Vazquez-Corral,
- Abstract要約: Gaussian LUT (GLUT) は、学習可能な3Dガウスプリミティブの集合を用いて色変換をモデル化する連続的で明示的な色表現である。
この表現に基づいて,複数のLUTインスタンスに対してGLUTパラメータを予測し,スムーズかつ制御可能なLUTスタイルのブレンディングを実現するために,多彩なカラースタイルを単一のフレームワークで符号化する,コンパクト条件生成器(CGLUT)を導入する。
実験の結果,従来のLUT表現よりも精度と効率が優れ,解釈性や対話性も向上した。
- 参考スコア（独自算出の注目度）: 17.14390334312844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Lookup Tables (3D LUTs) are widely used for color mapping, but their grid-based representation requires discretizing the RGB space, leading to a capacity-memory trade-off that becomes prohibitive when storing large numbers of LUTs. Recent approaches adopt implicit neural representations to improve scalability, yet their black-box nature limits interpretability and hinders intuitive, localized editing. In this paper, we propose Gaussian LUT (GLUT), a continuous and explicit color representation that models color transformations using a set of learnable 3D Gaussian primitives. By avoiding fixed-resolution grids, GLUT achieves flexible representational capacity while maintaining a compact memory footprint. Its explicit, spatially localized formulation further enables both accurate modeling and interpretability. Building on this representation, we introduce a compact conditional generator (CGLUT) that predicts GLUT parameters for multiple LUT instances, encoding diverse color styles in a single framework to enable smooth and controllable LUT style blending. Moreover, GLUT supports efficient, user-friendly editing by allowing localized adjustments to specific color regions without global retraining. Experimental results demonstrate that our approach outperforms prior neural LUT representations in both accuracy and efficiency, while offering improved interpretability and interactive control.
- Abstract（参考訳）: 3Dルックアップテーブル(3D LUT)はカラーマッピングに広く使用されているが、グリッドベースの表現ではRGB空間の離散化が必要であり、大量のLUTを保存する際には容量メモリのトレードオフが禁止される。
最近のアプローチでは、拡張性を改善するために暗黙の神経表現を採用するが、ブラックボックスの性質は解釈可能性を制限するため、直感的で局所的な編集を妨げている。
本稿では,学習可能な3Dガウスプリミティブの集合を用いて色変換をモデル化する連続的かつ明示的な色表現であるガウスLUT(GLUT)を提案する。
GLUTは、固定解像度グリッドを避けることにより、コンパクトなメモリフットプリントを維持しながらフレキシブルな表現能力を達成する。
その明示的で空間的局所的な定式化は、正確なモデリングと解釈可能性の両方を可能にする。
この表現に基づいて,複数のLUTインスタンスに対してGLUTパラメータを予測し,スムーズかつ制御可能なLUTスタイルのブレンディングを実現するために,多彩なカラースタイルを単一のフレームワークで符号化する,コンパクト条件生成器(CGLUT)を導入する。
さらに、GLUTは、グローバルなリトレーニングなしで特定の色領域への局所的な調整を可能にすることにより、効率的でユーザフレンドリな編集をサポートする。
実験の結果,従来のLUT表現よりも精度と効率が優れ,解釈性や対話性も向上した。
関連論文リスト
- Instant Colorization of Gaussian Splats [42.04362188042913]
この研究は、2D画像情報をガウススプラッターの既存のシーンに効率的にマッピングすることに焦点を当てている。
この"Opposite"方向は、シーンライティングやスタイリングから3Dセマンティックセグメンテーションまで、幅広いアプリケーションを可能にする。
本研究では,シーンライティング,特徴強調,3次元セグメンテーションへのアプローチを実証し,降下に基づくベースラインに比べて最大で1桁のスピードアップを実現した。
論文 参考訳（メタデータ） (2026-04-18T21:56:52Z) - Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。
従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。
我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文 参考訳（メタデータ） (2026-01-05T18:33:50Z) - FlowLUT: Efficient Image Enhancement via Differentiable LUTs and Iterative Flow Matching [10.213645938731338]
FlowLUTは、LUTの効率性、複数プリエント、フローマッチングされた再構成画像のパラメータ非依存特性を統合する、新しいエンドツーエンドモデルである。
軽量な融合予測ネットワークは複数の3D LUT上で動作し、シーン適応色補正には$mathcalO(1)$の複雑さがある。
モデル全体は、知覚的および構造的忠実性を含む複合損失関数の下で共同最適化される。
論文 参考訳（メタデータ） (2025-09-28T03:22:01Z) - BG-Triangle: Bézier Gaussian Triangle for 3D Vectorization and Rendering [60.240908644910874]
微分レンダリングは、レンダリングプロセスを通じて勾配を計算できるようにすることで、効率的な最適化を可能にする。
既存の解は、滑らかで確率的プロキシを使って従来のレンダリング操作を近似または再定式化する。
本稿では,B'ezier三角形に基づくベクトルグラフィックスプリミティブとガウス確率モデルを組み合わせたハイブリッド表現を提案する。
論文 参考訳（メタデータ） (2025-03-18T06:53:52Z) - Discovering an Image-Adaptive Coordinate System for Photography Processing [51.164345878060956]
曲線演算を行う前にRGB色空間における画像適応座標系を学習するための新しいアルゴリズム IAC を提案する。
このエンドツーエンドのトレーニング可能なアプローチにより、共同で学習した画像適応座標系と曲線を用いて、画像の効率よく調整できる。
論文 参考訳（メタデータ） (2025-01-11T06:20:07Z) - SplatMesh: Interactive 3D Segmentation and Editing Using Mesh-Based Gaussian Splatting [86.50200613220674]
3Dベースのインタラクティブ編集における重要な課題は、与えられたメモリ制約の下で様々な修正と高品質なビュー合成のバランスをとる効率的な表現がないことである。
SplatMeshは,3次元ガウススプラッティングと事前計算メッシュを統合した,対話型3Dセグメンテーション・編集アルゴリズムである。
単純化されたメッシュのセグメンテーションと編集により、ガウススプレートの編集も効果的に行えます。
論文 参考訳（メタデータ） (2023-12-26T02:50:42Z) - Learning Naturally Aggregated Appearance for Efficient 3D Editing [90.57414218888536]
カラーフィールドは、標準画像(canonical image)とも呼ばれる、明示的な2次元の外観アグリゲーションとして学習する。
テクスチャクエリのために3Dポイントを2Dピクセルにマッピングする投影場を標準画像に補完する。
提案手法は,既存のNeRFベースの編集手法に比べて,編集1回あたり20倍高速であることを示す。
論文 参考訳（メタデータ） (2023-12-11T18:59:31Z) - SepLUT: Separable Image-adaptive Lookup Tables for Real-time Image
Enhancement [21.963622337032344]
上記の制限に対処するため、SepLUT(分離画像適応ルックアップテーブル)を提案する。
具体的には、単一色変換を1Dおよび3D LUTとしてインスタンス化されたコンポーネント非依存およびコンポーネント関連サブ変換のカスケードに分離する。
このように、2つのサブ変換の能力は相互に促進され、3D LUTは色成分を混合する能力を補完する。
論文 参考訳（メタデータ） (2022-07-18T02:27:19Z) - AdaInt: Learning Adaptive Intervals for 3D Lookup Tables on Real-time
Image Enhancement [28.977992864519948]
AdaIntは3次元カラー空間における非一様サンプリング間隔を適応的に学習することで、より柔軟なサンプリングポイント割り当てを実現する新しいメカニズムである。
AdaIntは3D LUT方式のコンパクトで効率的なプラグアンドプレイモジュールとして実装できる。
論文 参考訳（メタデータ） (2022-04-29T10:16:57Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳（メタデータ） (2022-02-16T21:24:54Z)
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。