論文の概要: Smaller and Faster 3DGS via Post-Training Dictionary Learning

• arxiv url: http://arxiv.org/abs/2605.30396v1
• Date: Thu, 28 May 2026 14:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.141558
• Title: Smaller and Faster 3DGS via Post-Training Dictionary Learning
• Title（参考訳）: 学習後辞書学習による3DGSの小型化と高速化
• Authors: Jiarong Gong, Jonas Unger, Ehsan Miandji,
• Abstract要約: 3DGSのための最初の辞書学習ベースの圧縮フレームワークを紹介する。 提案手法は, 3DGS, 3DGS-MCMC, PixelGSに適用した場合の平均圧縮比が3.95x, 3.10x, 4.55xとなる。 これにより、画像の品質を維持しながら、一貫したレンダリング速度が23.3%、24.3%、25.3%となる。
• 参考スコア（独自算出の注目度）: 2.1839191255085995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) is a promising neural scene representation for real-time rendering, but trained models often suffer from large memory footprints, limiting deployment on less powerful devices. Existing compression techniques often lead to architectures with several additional trainable parameters. While achieving outstanding compression ratios, they introduce noticeable drops in image quality. In this work, we introduce the first dictionary-learning-based compression framework for 3DGS. The proposed post-training compression pipeline can be deployed in virtually any 3DGS model without the need for re-training or modifications to existing 3DGS models. Our compression framework is straightforward to implement, yet provides significant compression capabilities, preserves image quality, and improves real-time rendering performance. Across 13 benchmark scenes, our approach achieves an average compression ratio of 3.95x, 3.10x, and 4.55x when applied to 3DGS, 3DGS-MCMC, and PixelGS, respectively. This yields consistent rendering speedups of 23.3%, 24.3%, and 25.3%, while maintaining image quality.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)はリアルタイムレンダリングのための有望なニューラルネットワークシーン表現だが、トレーニングされたモデルは大きなメモリフットプリントに悩まされ、低消費電力デバイスへのデプロイメントが制限される。 既存の圧縮技術は、いくつかの追加のトレーニング可能なパラメータを持つアーキテクチャにつながることが多い。 優れた圧縮比を達成する一方で、画像品質の顕著な低下を導入している。 本研究では,3DGSのための辞書学習型圧縮フレームワークについて紹介する。 提案したポストトレーニング圧縮パイプラインは,既存の3DGSモデルの再トレーニングや修正を必要とせずに,事実上任意の3DGSモデルにデプロイすることができる。 我々の圧縮フレームワークは実装が簡単で、優れた圧縮機能を提供し、画質を保ち、リアルタイムレンダリング性能を向上させる。 13のベンチマークシーンで,3DGS,3DGS-MCMC,PixelGSに適用した場合の平均圧縮比は3.95倍,3.10倍,4.55倍となる。 これにより、画像の品質を維持しながら、一貫したレンダリング速度が23.3%、24.3%、25.3%となる。

関連論文リスト

• RAVE: Rate-Adaptive Visual Encoding for 3D Gaussian Splatting [17.19039932786604]
  本稿では,予め定義された境界間の任意の速度で3DGSを圧縮するフレキシブル圧縮手法を提案する。 本手法は計算量的に軽量であり,任意の速度で再学習する必要がなく,幅広い操作点にまたがるレンダリング品質を保っている。 実験により、このアプローチは動的レート制御を提供しながら効率的で高品質な圧縮を実現し、没入型アプリケーションにおける実用的なデプロイに適していることが示された。
  論文  参考訳（メタデータ） (2025-12-07T23:59:46Z)
• Leveraging Learned Image Prior for 3D Gaussian Compression [47.29061692878941]
  圧縮による品質劣化を回復するために,学習画像の強力な表現能力を活用する新しい3DGS圧縮フレームワークを提案する。 我々のフレームワークは既存のガウス圧縮手法と互換性があり、様々なベースラインに広く適用できるように設計されている。
  論文  参考訳（メタデータ） (2025-10-16T14:10:02Z)
• ExGS: Extreme 3D Gaussian Compression with Diffusion Priors [60.7245825868903]
  エクストリーム3DGS圧縮のためのExGSとGaussPainterを紹介する。 GassPainterは、欠落した領域を埋め、可視画素を強化し、劣化したレンダリングを大幅に改善する。 私たちのフレームワークは100X圧縮(典型的な354.77MBモデルから約3.31MBまで)も達成できます。
  論文  参考訳（メタデータ） (2025-09-29T13:23:06Z)
• Fast Feedforward 3D Gaussian Splatting Compression [55.149325473447384]
  3D Gaussian Splatting (FCGS) は、1つのフィードフォワードパスで3DGS表現を高速に圧縮できる最適化フリーモデルである。 FCGSは圧縮比を20倍以上に向上し、高精細度を維持しながら、ほとんどのシーン毎のSOTA最適化手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-10T15:13:08Z)

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。