論文の概要: SparseStreet: Sparse Gaussian Splatting for Real-Time Street Scene Simulation

• arxiv url: http://arxiv.org/abs/2606.03909v1
• Date: Tue, 02 Jun 2026 17:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.195605
• Title: SparseStreet: Sparse Gaussian Splatting for Real-Time Street Scene Simulation
• Title（参考訳）: SparseStreet:Sparse Gaussian Splatting for Real-Time Street Scene Simulation
• Authors: Qingpo Wuwu, Xiaobao Wei, Peng Chen, Nan Huang, Zhongyu Zhao, Hao Wang, Ming Lu, Ningning Ma, Shanghang Zhang,
• Abstract要約: 既存の方法は細部を捉えるために大量のガウス原始体を必要とする。 SparseStreetはストリートシーンに特化して設計された汎用圧縮フレームワークである。 本手法は, 動的物体の形状と外観を効果的に保存し, ガウス原始体の総数を大幅に削減する。
• 参考スコア（独自算出の注目度）: 51.0854010622997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While 3D Gaussian Splatting has shown promising results in street scene reconstruction, existing methods require massive numbers of Gaussian primitives to capture fine details, leading to prohibitive storage costs and slow rendering speeds. We observe that dynamic objects (e.g., vehicles and pedestrians) demand high-fidelity representations to maintain temporal consistency, while static background regions often contain substantial redundancy. Motivated by this, we propose SparseStreet, a general compression framework specifically designed for street scenes. First, we introduce a node-based learnable pruning strategy that systematically removes low-contributing Gaussian primitives while preserving visually critical regions. Second, after the scene representation stabilizes, we apply background compression, further reducing redundancy in static regions. Our method effectively preserves the geometry and appearance of dynamic objects while significantly reducing the total number of Gaussian primitives. Extensive experiments on the Waymo and nuScenes demonstrate that SparseStreet achieves up to 80% compression ratio with minimal quality degradation, enabling resource-efficient, high-fidelity dynamic scene reconstruction. Project website: https://sparsestreet.github.io/.
• Abstract（参考訳）: 3D Gaussian Splattingは、ストリートシーンの再構築において有望な結果を示しているが、既存の手法では、詳細を捉えるために大量のGaussianプリミティブを必要とするため、ストレージコストが禁止され、レンダリング速度が遅くなる。 動的対象(車や歩行者など)が時間的一貫性を維持するために高忠実度表現を要求するのに対し、静的な背景領域は相当な冗長性を持つことが多い。 そこで我々はSparseStreetを提案する。SparseStreetはストリートシーンに特化して設計された一般的な圧縮フレームワークである。 まず,視覚的に重要な領域を保ちながら,低コントリビュートなガウスプリミティブを体系的に除去するノードベースの学習可能なプルーニング戦略を導入する。 第2に、シーン表現が安定化した後、背景圧縮を適用し、静的領域の冗長性をさらに低減する。 本手法は, 動的物体の形状と外観を効果的に保存し, ガウス原始体の総数を大幅に削減する。 WaymoとnuScenesの大規模な実験により、SparseStreetは最大80%の圧縮比を最小品質の劣化で達成し、リソース効率が良く、高忠実なダイナミックシーンの再構築を可能にした。 プロジェクトウェブサイト:https://sparsestreet.github.io/.com

関連論文リスト

• FreeTimeGS: Free Gaussian Primitives at Anytime and Anywhere for Dynamic Scene Reconstruction [64.30050475414947]
  FreeTimeGSはガウスのプリミティブを任意の時間と位置で表示できる新しい4D表現である。 我々の表現は強い柔軟性を持ち、ダイナミックな3Dシーンをモデル化する能力を向上させる。 いくつかのデータセットに対する実験結果から,本手法のレンダリング品質は,最近の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-05T17:59:57Z)
• 3D Gaussian Splatting against Moving Objects for High-Fidelity Street Scene Reconstruction [1.2603104712715607]
  本稿では,ダイナミックストリートシーン再構築のための新しい3次元ガウス点分布法を提案する。 提案手法では,高忠実度な静的シーンを保存しながらオブジェクトの移動を除去する。 実験により, 大規模動的環境における再現性の向上, レンダリング性能の向上, 適応性の向上が示された。
  論文  参考訳（メタデータ） (2025-03-15T05:41:59Z)
• Efficient Gaussian Splatting for Monocular Dynamic Scene Rendering via Sparse Time-Variant Attribute Modeling [64.84686527988809]
  Deformable Gaussian Splattingは、現実世界のダイナミックなシーンを表現する堅牢なソリューションとして登場した。 提案手法は,古典的カーネル表現を用いて計算された密度ガウスの運動流を用いて,スパースアンカーグリッド表現を用いて動的シーンを定式化する。 2つの実世界のデータセットの実験により、EDGSはレンダリング速度を大幅に改善し、より優れたレンダリング品質を実現しています。
  論文  参考訳（メタデータ） (2025-02-27T18:53:06Z)
• Temporally Compressed 3D Gaussian Splatting for Dynamic Scenes [46.64784407920817]
  時間圧縮3Dガウススティング(TC3DGS)は動的3Dガウス表現を圧縮する新しい技術である。 複数のデータセットにまたがる実験により、T3DGSは最大67$times$圧縮を実現し、視覚的品質の劣化を最小限に抑えることができた。
  論文  参考訳（メタデータ） (2024-12-07T17:03:09Z)
• UrbanGS: Semantic-Guided Gaussian Splatting for Urban Scene Reconstruction [86.4386398262018]
  UrbanGSは2Dセマンティックマップと既存の動的ガウスアプローチを使って静的オブジェクトとシーンを区別する。 動的オブジェクトに対して、学習可能な時間埋め込みを用いて時間情報を集約する。 提案手法は, 修復の質と効率性において, 最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-12-04T16:59:49Z)
• Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields [13.729716867839509]
  ハイパフォーマンスを維持しつつガウスの数を著しく削減する学習可能なマスク戦略を提案する。 さらに、格子型ニューラルネットワークを用いて、ビュー依存色をコンパクトかつ効果的に表現することを提案する。 我々の研究は、3Dシーン表現のための包括的なフレームワークを提供し、ハイパフォーマンス、高速トレーニング、コンパクト性、リアルタイムレンダリングを実現しています。
  論文  参考訳（メタデータ） (2024-08-07T14:56:34Z)
• VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction [59.40711222096875]
  VastGaussianは3次元ガウススティングに基づく大規模シーンにおける高品質な再構成とリアルタイムレンダリングのための最初の方法である。 提案手法は既存のNeRF手法より優れており,複数の大規模シーンデータセットの最先端結果が得られる。
  論文  参考訳（メタデータ） (2024-02-27T11:40:50Z)

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。