論文の概要: Eulerian Gaussian Splatting using Hashed Probability Pyramids

• arxiv url: http://arxiv.org/abs/2605.29136v1
• Date: Wed, 27 May 2026 22:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.538288
• Title: Eulerian Gaussian Splatting using Hashed Probability Pyramids
• Title（参考訳）: ハッシュ確率ピラミッドを用いたユーレリアガウス散乱
• Authors: Mia Gaia Polansky, George Kopanas, Stephan Garbin, Todd Zickler, Dor Verbin,
• Abstract要約: 3Dガウススプラッティングの高速化と試験時間効率を維持するスプレート型放射界フレームワーク(3DGS)を提案する。 体積確率密度の勾配に基づく最適化で原始的な操作を置き換える。 3DGSレベルのレンダリング速度を維持しつつ,mip-NeRF 360における最先端の再現性を実現する。
• 参考スコア（独自算出の注目度）: 10.396311715776003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a probabilistic splat-based radiance field framework that retains the fast rasterization and test-time efficiency of 3D Gaussian Splatting (3DGS) while replacing heuristic primitive manipulation with gradient-based optimization of a volumetric probability density. Rather than relocating, splitting, or culling Gaussians via hand-tuned densification (e.g., ADC), we treat primitive locations as samples drawn from a persistent, learnable density. We instantiate this density using a novel, memory-efficient multi-scale hierarchical grid that enables end-to-end gradient-based optimization. To stabilize the optimization, we derive an unbiased gradient estimator with control variates that markedly reduces variance. By allowing probability mass to flow to where the loss demands, our framework eliminates brittle priors and naturally explores the volume, achieving state-of-the-art reconstruction quality on mip-NeRF 360 while preserving 3DGS-level rendering speed.
• Abstract（参考訳）: 本稿では,3次元ガウススプラッティング(3DGS)の高速ラスタ化と試験時間効率を維持するとともに,ヒューリスティックなプリミティブな操作を体積的確率密度の勾配に基づく最適化に置き換えた確率的スプラットベースのラジアンスフィールドフレームワークを提案する。 手で調整した密度化(例えば、ADC)によってガウスを移動、分割、あるいは培養する代わりに、原始的な位置を永続的で学習可能な密度から引き出されたサンプルとして扱う。 我々は、この密度を、エンドツーエンドの勾配に基づく最適化を可能にする、メモリ効率の良い新しいマルチスケール階層グリッドを用いてインスタンス化する。 最適化を安定させるために,分散を著しく減少させる制御変数を持つ非バイアス勾配推定器を導出する。 3DGSレベルのレンダリング速度を保ちつつ、mip-NeRF 360上での最先端の復元品質を実現し、損失の需要のある場所に確率質量を流すことにより、不安定な先行を排除し、自然にボリュームを探索する。

関連論文リスト

• ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting [7.439138611635001]
  収束した 3D Gaussian Splatting (3DGS) モデルは、さらなる最適化のためにパラメータ化が不十分なまま、ターゲットシーンを近似することができる。 収束3DGSモデルの等価分布再構成法であるReorgGSを提案する。
  論文  参考訳（メタデータ） (2026-05-09T06:59:31Z)
• GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。 大量のガウス点があるため、高いメモリコストに制約される。 コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
  論文  参考訳（メタデータ） (2026-04-02T10:41:51Z)
• 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)
• 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)
• Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
  3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。 本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。 我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
  論文  参考訳（メタデータ） (2025-05-08T18:41:38Z)
• Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
  マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。 4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。 その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
  論文  参考訳（メタデータ） (2025-04-08T07:15:58Z)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)

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。