論文の概要: A Scalable PyTorch Abstraction for Multi-GPU Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2606.11390v1
• Date: Tue, 09 Jun 2026 19:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.155944
• Title: A Scalable PyTorch Abstraction for Multi-GPU Gaussian Splatting
• Title（参考訳）: マルチGPUガウス平滑化のためのスケーラブルなPyTorch抽象化
• Authors: Matthew Cong, Francis Williams, Jonathan Swartz, Mark Harris, Sanja Fidler, Ken Museth,
• Abstract要約: 本稿では,高解像度化と高解像度化を実現するため,ガウススプラッティングのマルチGPU手法を提案する。 メモリとNVLinkを介してGPU間でパラメータとスプレイティング演算子を分散するPyTorchバックエンドを提案する。 我々は、街並みの細部が10億以上のガウスのスプラペットで構成され、現在の芸術の25倍以上の規模で街並みの再現を実演する。
• 参考スコア（独自算出の注目度）: 44.78530292755235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian splatting methods have become increasingly popular for neural reconstruction of the real world. However, they are often limited in scale and resolution due to compute and memory constraints. We present a multi-GPU Gaussian splatting approach that scales reconstruction to higher resolutions and larger scenes while abstracting away the code complexity typically associated with distributing a model. To accomplish this, we propose a PyTorch backend that distributes the Gaussian parameters and splatting operators across GPUs via CUDA unified memory and NVLink. Because distribution occurs at the operator level, the model code requires no explicit cross-device communication. More broadly, the backend exposes multiple GPUs as an aggregate PyTorch device and supports other PyTorch operators. We demonstrate city-scale reconstructions with street-level detail consisting of over 1 billion Gaussian splats, more than 25 times as many as the current state of the art.
• Abstract（参考訳）: ガウススプラッティング法は、現実世界の神経再構築においてますます人気が高まっている。 しかし、計算やメモリの制約により、スケールや解像度が制限されることが多い。 本稿では,モデル配布に伴うコードの複雑さを抽象化しながら,高解像度および高解像度のシーンに再構成をスケールするマルチGPUガウススプラッティング手法を提案する。 これを実現するために、CUDA統一メモリとNVLinkを介してGPU間でガウスパラメータとスプレイティング演算子を分散するPyTorchバックエンドを提案する。 分散は演算子レベルで発生するため、モデルコードは明示的なデバイス間通信を必要としない。 より広くは、バックエンドは複数のGPUを集約されたPyTorchデバイスとして公開し、他のPyTorchオペレータをサポートする。 我々は、街並みの細部が10億以上のガウスのスプラットで構成され、現在の最先端技術の25倍以上の規模で街並みの再現を実演する。

関連論文リスト

• StochasticSplats: Stochastic Rasterization for Sorting-Free 3D Gaussian Splatting [28.48846639700183]
  3D Gaussian splatting (3DGS) は、多くのアプリケーション固有の拡張を持つ一般的な放射場法である。 ほとんどの変種は、同じコアアルゴリズムに依存している: ガウススプラッターの深さソートを行い、プリミティブな順序でレンダリングする。 3Dスプラッティングとレンダリングを組み合わせることで、上記の制限に対処する。 我々の手法はソートよりも4倍以上高速である。
  論文  参考訳（メタデータ） (2025-03-31T17:46:18Z)
• Occam's LGS: An Efficient Approach for Language Gaussian Splatting [57.00354758206751]
  言語3Dガウススプラッティングのための複雑なパイプラインは、単純に不要であることを示す。 我々は,オッカムのカミソリを手作業に適用し,高効率な重み付き多視点特徴集約技術を実現する。
  論文  参考訳（メタデータ） (2024-12-02T18:50:37Z)
• SmileSplat: Generalizable Gaussian Splats for Unconstrained Sparse Images [91.28365943547703]
  SmileSplatという新しい一般化可能なガウス格子法が提案され,様々なシナリオに対して画素整列ガウス波を再構成する。 提案手法は,様々な3次元視覚タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-11-27T05:52:28Z)
• PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
  PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。 提案手法は,様々な視点によく一般化した最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:58Z)
• HiSplat: Hierarchical 3D Gaussian Splatting for Generalizable Sparse-View Reconstruction [46.269350101349715]
  HiSplatは、一般化可能な3Dガウススプラッティングのための新しいフレームワークである。 階層的な3Dガウスを粗大な戦略で生成する。 これにより、再構築品質とデータセット間の一般化が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-08T17:59:32Z)
• PyGS: Large-scale Scene Representation with Pyramidal 3D Gaussian Splatting [15.378596308239667]
  我々はNeRF初期化によるピラミッド型3次元ガウススプラッティング(PyGS)を提案する。 我々はこれらのピラミッドのガウスをクラスタに分類し、各クラスタのピラミッドレベルの影響を動的に決定するために、コンパクトな重み付けネットワークを使用する。 提案手法は,複数の大規模データセットにまたがる大幅な性能向上を実現し,現在の最先端手法の400倍以上のレンダリング時間を実現する。
  論文  参考訳（メタデータ） (2024-05-27T04:52:21Z)
• GS-LRM: Large Reconstruction Model for 3D Gaussian Splatting [49.32327147931905]
  単一A100 GPU上で2-4のスパース画像から高品質な3Dガウス像を0.23秒で予測できるスケーラブルな大規模再構成モデルGS-LRMを提案する。 このモデルは非常に単純なトランスフォーマーベースアーキテクチャを特徴とし、入力されたイメージをパッチ化し、プリミティブなマルチビュー画像トークンをトランスフォーマーブロックのシーケンスに渡す。
  論文  参考訳（メタデータ） (2024-04-30T16:47:46Z)
• Adaptive Elastic Training for Sparse Deep Learning on Heterogeneous Multi-GPU Servers [65.60007071024629]
  本稿では,Adaptive SGDが4つの最先端ソリューションよりも精度が高いことを示す。 本稿では,Adaptive SGDが時間と精度で4つの最先端ソリューションより優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-13T20:58:15Z)

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。