論文の概要: EvoGS: Constructing Continuous-Layered Gaussian Splatting with Evolution Tree for Scalable 3D Streaming
- arxiv url: http://arxiv.org/abs/2606.07179v1
- Date: Fri, 05 Jun 2026 11:44:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.717278
- Title: EvoGS: Constructing Continuous-Layered Gaussian Splatting with Evolution Tree for Scalable 3D Streaming
- Title（参考訳）: EvoGS: スケーラブルな3Dストリーミングのための進化木による継続的階層型ガウススプレイティングの構築
- Abstract要約: EvoGSは最初のテキスト連続層表現である。
ウェーブレットにインスパイアされた親子の改良によって、より細部まで細部が生成される。
実験では、スプレートの冗長性を65%以上から25%以下に除去することが示された。
- 参考スコア（独自算出の注目度）: 5.17519482656693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Streaming 3D Gaussian Splatting requires highly scalable, progressive representations. Existing progressive methods rely on \textit{discrete layering}, accumulating separate splat sets for each level of detail. This structural independence between layers inherently leads to error accumulation, severe splat redundancy, and uncontrolled quality transitions. We propose EvoGS, the first \textit{continuous-layering} representation. Organized as an Evolution Tree, EvoGS generates finer details via an explicit, wavelet-inspired parent-child refinement. This empowers child nodes to structurally correct ancestral errors, yield inherently sparse and highly compressible inter-layer signals. Extensive experiments show EvoGS eliminates splat redundancy from over 65\% to under 25\%. Compared to state-of-the-art baselines, it reduces transmission payload and GPU VRAM footprint by up to 2.4$\times$ and 5.5$\times$, respectively, and achieves smooth quality transitions optimal for real-time adaptive streaming. Project page: https://yuang-ian.github.io/evogs/
- Abstract（参考訳）: ストリーミング3Dガウススプラッティングは、高度にスケーラブルでプログレッシブな表現を必要とする。
既存のプログレッシブメソッドは、詳細レベルごとに別々のsplat集合を蓄積する、 \textit{discrete layering} に依存している。
この層間の構造的独立性は、本質的にエラーの蓄積、厳密なスプレートの冗長性、制御不能な品質遷移をもたらす。
EvoGS は最初の \textit{continuous-layering} 表現である。
進化木として組織されたEvoGSは、明示的なウェーブレットにインスパイアされた親子の改良を通じて、より細かな詳細を生成する。
これにより、子ノードは祖先のエラーを構造的に修正し、本質的にスパースで非常に圧縮可能な層間信号を生成することができる。
大規模な実験により、EvoGSはスプレートの冗長性を65\%以上から25\%以下に除去した。
最先端のベースラインと比較して、トランスミッションペイロードとGPU VRAMフットプリントをそれぞれ2.4$\times$と5.5$\times$に削減し、リアルタイム適応ストリーミングに最適なスムーズな品質遷移を実現する。
プロジェクトページ:https://yuang-ian.github.io/evogs/
関連論文リスト
- VARPose: Flexible 2D Pose Densification via Visual Autoregressive Modeling for Enhanced 3D Lifting [9.224176101167693]
VARPoseは2次元スパースポーズを適応的に密度化し、3次元リフトモデルで利用可能な解剖学的情報を強化するために提案される。
本稿では,GPT(Granularity-Agnostic Pose Tokenizer)を導入し,単一のハイブリッドコードブックと残留量子化戦略を用いて,様々な密度のポーズを統一されたマルチスケールの離散表現に符号化する。
また、「結合密度」を「スケール」として扱う統一自己回帰モデルUniSkelarを提案する。
論文 参考訳（メタデータ） (2026-08-03T13:36:24Z) - AnchorSplat: Fast and Structure Consistent Detail Synthesis for Gaussian Splatting [45.65377534924918]
3D Gaussian Splatting (3DGS) は高忠実度レンダリングの強力な表現として登場した。
既存の資産は、詳細の欠如やテクスチャノイズのような品質のボトルネックに悩まされることが多い。
そこで我々は,AnchorSplatという3Dネイティブリファインメントパラダイムを提案する。
論文 参考訳（メタデータ） (2026-07-01T12:14:29Z) - Learning to Adaptively Allocate Gaussians for Arbitrary-Scale Image Super-Resolution [8.784098322731909]
コンピュータグラフィックスでは、ビジュアルコンテンツは継続的にワープされ、ズームされ、再サンプリングされる。
これらの変換の処理には任意スケール超解法(ASR)が必要である
固定スケール用に設計された伝統的なモデルは、一般に低い整数スケールで予測し、連続分解能に準最適に依存する。
論文 参考訳（メタデータ） (2026-06-28T13:47:43Z) - PDF-GS: Progressive Distractor Filtering for Robust 3D Gaussian Splatting [32.97857587591785]
本稿では3DGSが持つ非一貫性信号の抑制能力を増幅するフレームワークであるPDF-GSを提案する。
PDF-GSは、堅牢で、高忠実で、邪魔のない再構築を実現し、多様なデータセットのベースラインを一貫して上回り、現実世界の状況に挑戦する。
私たちのアプローチは軽量で、既存の3DGSフレームワークにも容易に適用可能です。
論文 参考訳（メタデータ） (2026-04-14T11:03:55Z) - LitePT: Lighter Yet Stronger Point Transformer [50.6430530112838]
我々は3Dポイント・クラウド・ネットワークにおける異なる計算ブロックの役割を解析する。
我々は、初期段階で畳み込みを採用し、より深い層に注意を向ける新しい改良された3Dポイントクラウドバックボーンを提案する。
結果として、LitePTモデルはパラメータが3.6倍、2倍の速度で動作し、最新技術であるPoint Transformer V3よりも2倍のメモリを消費する。
論文 参考訳（メタデータ） (2025-12-15T18:59:57Z) - ArchComplete: Autoregressive 3D Architectural Design Generation with Hierarchical Diffusion-Based Upsampling [0.0]
ArchCompleteはベクトル量子化モデルからなる2段階のボクセルベースの3D生成パイプラインである。
パイプラインのキーとなるのは、(i) 2.5Dの知覚的損失とともに最適化された、ローカルなパッチ埋め込みのコンテキスト的にリッチなコードブックを学習することです。
ArchCompleteは643ドルという解像度で自動回帰的にモデルを生成し、それを5123ドルまで改良する。
論文 参考訳（メタデータ） (2024-12-23T20:13:27Z) - GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。
モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。
最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
論文 参考訳（メタデータ） (2024-07-05T03:43:08Z) - VividDreamer: Towards High-Fidelity and Efficient Text-to-3D Generation [69.68568248073747]
拡散に基づく3次元生成タスクにおいて, ポーズ依存型連続蒸留サンプリング (PCDS) を提案する。
PCDSは拡散軌道内でポーズ依存整合関数を構築し、最小サンプリングステップで真の勾配を近似することができる。
そこで我々は,まず1ステップのPCDSを用いて3Dオブジェクトの基本構造を作成し,さらに徐々にPCDSのステップを拡大して細かな細部を生成する,粗大な最適化手法を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:21:52Z) - GVGEN: Text-to-3D Generation with Volumetric Representation [89.55687129165256]
3Dガウススプラッティングは、高速で高品質なレンダリング機能で知られる3D再構成と生成のための強力な技術として登場した。
本稿では,テキスト入力から3次元ガウス表現を効率的に生成する新しい拡散型フレームワークGVGENを提案する。
論文 参考訳（メタデータ） (2024-03-19T17:57:52Z) - HumanGaussian: Text-Driven 3D Human Generation with Gaussian Splatting [113.37908093915837]
既存の方法は、スコア蒸留サンプリング(SDS)を通じてメッシュやニューラルフィールドのような3D表現を最適化する。
本稿では,高精細な形状とリアルな外観を持つ高品質な3D人間を創出する,効率的かつ効果的な枠組みであるHumanGaussianを提案する。
論文 参考訳（メタデータ） (2023-11-28T18:59:58Z) - SGFormer: Semantic Graph Transformer for Point Cloud-based 3D Scene
Graph Generation [46.14140601855313]
本稿では,ポイントクラウドベースの3Dシーングラフ生成のためのSGFormer,Semantic Graph TransFormerという新しいモデルを提案する。
このタスクは、ポイントクラウドベースのシーンをセマンティックな構造グラフに解析することを目的としている。
論文 参考訳（メタデータ） (2023-03-20T11:59:23Z) - HDFormer: High-order Directed Transformer for 3D Human Pose Estimation [20.386530242069338]
HDFormerは、Human3.6MとMPI-INF-3DHPデータセットの最先端(SOTA)モデルを大幅に上回っている。
HDFormerは、リアルタイムで正確な3Dポーズ推定を可能にする、幅広い現実世界の応用性を示す。
論文 参考訳（メタデータ） (2023-02-03T16:00:48Z) - Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。
我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。
提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文 参考訳（メタデータ） (2021-07-18T09:05:16Z)
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。