論文の概要: VEDAL: Variational Error-Driven Asynchronous Learning for 3D Gaussian Splatting Pruning
- arxiv url: http://arxiv.org/abs/2606.02346v1
- Date: Mon, 01 Jun 2026 14:56:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.303102
- Title: VEDAL: Variational Error-Driven Asynchronous Learning for 3D Gaussian Splatting Pruning
- Title（参考訳）: VEDAL: 変分誤差駆動型非同期学習による3次元ガウス平滑化
- Authors: Aoduo Li, Jiancheng Li, Huan Ye, Hongjian Xu, Shiting Wu, Xiujun Zhang, Zimeng Li, Xuhang Chen,
- Abstract要約: 3D Splatting (3DGS) は, リアルタイム合成による目覚ましいビューレンダリング品質を実現しているが, 過剰なメモリ消費に悩まされている。
変分自由エネルギー最小化としてガウシアンプルーニングを定式化する原理的枠組みであるVEDALを提案する。
Mip-NeRF 360、Tants&Temples、Deep Blendingの実験では、VEDAL 5.2x圧縮はわずか0.31dBのPSNRで、PUP 3D-GSを0.05dB、LightGaussianを0.35dBで上回った。
- 参考スコア（独自算出の注目度）: 5.881987656920194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) achieves remarkable novel view synthesis quality with real-time rendering, yet suffers from excessive memory consumption due to millions of Gaussian primitives. Existing pruning methods rely on heuristic importance scores or synchronous batch updates, leading to suboptimal compression and training instability. We propose VEDAL, a principled framework that formulates Gaussian pruning as variational free energy minimization. Our approach introduces (1) a prediction-error gating mechanism that asynchronously activates pruning based on per-Gaussian reconstruction uncertainty, and (2) a variational uncertainty head that models pruning decisions as latent variables with learnable priors. The free energy objective naturally balances reconstruction fidelity against model complexity through an information-theoretic lens. Extensive experiments on Mip-NeRF 360, Tanks&Temples, and Deep Blending demonstrate that VEDAL achieves 5.2x compression with only 0.31 dB PSNR drop, outperforming PUP 3D-GS by +0.05 dB at a higher compression ratio and LightGaussian by +0.35 dB at comparable quality, while maintaining real-time rendering at 185 FPS.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングによる驚くべきビュー合成品質を実現するが、数百万のGaussianプリミティブによって過剰なメモリ消費に悩まされる。
既存のプルーニング手法はヒューリスティックな重要度スコアや同期バッチの更新に依存しており、最適化された圧縮とトレーニングの不安定性をもたらす。
変分自由エネルギー最小化としてガウシアンプルーニングを定式化する原理的枠組みであるVEDALを提案する。
提案手法では,(1)ガウス間再構成の不確実性に基づくプルーニングを非同期に活性化する予測エラーゲーティング機構,(2)学習可能な先行変数を持つ潜在変数としてプルーニング決定をモデル化する変分不確実性ヘッドを提案する。
自由エネルギーの目的は、情報理論レンズによるモデル複雑性に対する再構成忠実度と自然にバランスをとる。
Mip-NeRF 360, Tanks&Temples, Deep Blendingの大規模な実験では、VEDALは5.2倍の圧縮を実現し、PSNRはわずか0.31dB、PUP 3D-GSは0.05dB、LightGaussianは+0.35dB、リアルタイムレンダリングは185FPSである。
関連論文リスト
- iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。
NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
論文 参考訳（メタデータ） (2025-11-18T05:22:22Z) - HyRF: Hybrid Radiance Fields for Memory-efficient and High-quality Novel View Synthesis [11.71939856454585]
HyRF(Hybrid Radiance Fields)は、明示的なガウスとニューラルフィールドの強みを組み合わせた、新しいシーン表現である。
HyRFは3DGSに比べてモデルサイズを20倍以上削減しつつ、最先端のレンダリング品質を実現している。
論文 参考訳（メタデータ） (2025-09-21T13:59:26Z) - UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている
本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。
提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
論文 参考訳（メタデータ） (2025-08-07T01:42:22Z) - 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) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - 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) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。
ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。
LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
論文 参考訳（メタデータ） (2023-11-28T21:39:20Z)
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。