論文の概要: TideGS: Scalable Training of Over One Billion 3D Gaussian Splatting Primitives via Out-of-Core Optimization

• arxiv url: http://arxiv.org/abs/2605.20150v2
• Date: Tue, 26 May 2026 20:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:54.782638
• Title: TideGS: Scalable Training of Over One Billion 3D Gaussian Splatting Primitives via Out-of-Core Optimization
• Title（参考訳）: TideGS: コア外最適化による10億超の3Dガウススプレイティングプリミティブのスケーラブルなトレーニング
• Authors: Chonghao Zhong, Linfeng Shi, Hua Chen, Tiecheng Sun, Hao Zhao, Binhang Yuan, Chaojian Li,
• Abstract要約: 数十億ドル規模の3DGSのトレーニングは、基本的にメモリバウンドである。 TideGSは、SSD-CPU-GPU階層間のパラメータを管理する、アウトオブコアのトレーニングフレームワークである。 TideGSは、24GBのGPUで10億以上のガウスのトレーニングを可能にする。
• 参考スコア（独自算出の注目度）: 19.191940595279206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training 3D Gaussian Splatting (3DGS) at billion-primitive scale is fundamentally memory-bound: each Gaussian primitive carries a large attribute vector, and the aggregate parameter table quickly exceeds GPU capacity, limiting prior systems to tens of millions of Gaussians on commodity single-GPU hardware. We observe that 3DGS training is inherently sparse and trajectory-conditioned: each iteration activates only the Gaussians visible from the current camera batch, so GPU memory can serve as a working-set cache rather than a persistent parameter store. Building on this insight, we introduce TideGS, an out-of-core training framework that manages parameters across an SSD-CPU-GPU hierarchy via three synergistic techniques: block-virtualized geometry for SSD-aligned spatial locality, a hierarchical asynchronous pipeline to overlap I/O with computation, and trajectory-adaptive differential streaming that transfers only incremental working-set deltas between iterations. Experiments show that TideGS enables training with over one billion Gaussians on a single 24 GB GPU while achieving the best reconstruction quality among evaluated single-GPU baselines on large-scale scenes, scaling beyond prior out-of-core baselines (e.g., approximately 100M Gaussians) and standard in-memory training (e.g., approximately 11M Gaussians).
• Abstract（参考訳）: ガウスのプリミティブは大きな属性ベクトルを持ち、集約パラメータテーブルはGPUのキャパシティを急速に超え、以前のシステムはコモディティなシングルGPUハードウェア上で数千万ガウスに制限される。 それぞれのイテレーションは、現在のカメラバッチから見えるガウスだけを起動するので、GPUメモリは永続パラメータストアではなく、ワーキングセットキャッシュとして機能する。 この知見に基づいて,SSD-CPU-GPU階層のパラメータを管理するアウトオブコアトレーニングフレームワークであるTideGSを紹介した。3つの相乗的手法 – SSD整合空間局所性のためのブロック仮想化幾何学,計算とI/Oの重なり合う階層的非同期パイプライン,イテレーション間のインクリメンタルなワークセットデルタのみを転送するトラジェクティブ適応差分ストリーミングだ。 実験によると、TideGSは単一の24GBのGPU上で10億以上のガウスのトレーニングを可能にし、大規模なシーンで評価されたシングルGPUベースラインの中で最高の再構築品質を実現し、以前のアウトオブコアベースライン(例えば、約100万ガウス)を超えてスケールし、標準のインメモリトレーニング(例えば、約1100万ガウス)を実現している。

関連論文リスト

• GS-Scale: Unlocking Large-Scale 3D Gaussian Splatting Training via Host Offloading [9.776813771006358]
  3D Gaussian Splattingは、高画質と高速なレンダリング速度を提供することによって、グラフィックレンダリングに革命をもたらした。 大規模なシーンを高品質でトレーニングすることは、かなりのメモリ需要のため、依然として困難である。 本稿では,3次元ガウス平滑化のための高速かつメモリ効率のトレーニングシステムであるGS-Scaleを提案する。
  論文  参考訳（メタデータ） (2025-09-19T06:13:28Z)
• FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
  3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。 従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。 本稿では3DGSの弾性推論手法を提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:17:57Z)
• 3DGS$^2$: Near Second-order Converging 3D Gaussian Splatting [26.94968605302451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と3D再構成の主流のソリューションとして登場した。 本稿では,3DGSの2次収束学習アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2025-01-22T22:28:11Z)
• On Scaling Up 3D Gaussian Splatting Training [31.161086345038424]
  3DGSは、視覚的品質とレンダリング速度が優れているため、3D再構成でますます人気がある。 現在、3DGSトレーニングは1つのGPU上で行われ、高解像度で大規模な3D再構成タスクを処理する能力を制限する。 Grendelは3DGSパラメータを分割し、複数のGPUを並列化するように設計された分散システムである。
  論文  参考訳（メタデータ） (2024-06-26T17:59:28Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• 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。