論文の概要: TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization
- arxiv url: http://arxiv.org/abs/2606.15924v1
- Date: Sun, 14 Jun 2026 16:59:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.945149
- Title: TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization
- Title（参考訳）: TurboGS: Error-Guided Sparse Pixelのサンプリングと最適化による3Dガウス撮影の高速化
- Abstract要約: TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
- 参考スコア（独自算出の注目度）: 54.179316928687435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consumer-level applications require fast optimization of 3D Gaussian Splatting (3DGS) with high-fidelity novel view rendering. However, existing 3DGS acceleration approaches still incur substantial computation on redundant pixels while sacrificing fine details. In this paper, we present TurboGS, an error-guided training framework that accelerates 3DGS by concentrating optimization on perceptually informative pixels. TurboGS is built upon four core components: (1) a tile-wise sparse pixel sampling, which, driven by multi-view reconstruction errors during training, prioritizes challenging regions and skips well-reconstructed ones to avoid redundant gradient computation; (2) a tile-wise structure-aware loss with sparse Normalized Cross-Correlation, which provides sparse yet effective supervision to preserve fine details and stabilize training; (3) an error-driven Gaussian density control strategy, which dynamically allocates model capacity and removes redundant primitives; and (4) a tailored hybrid optimizer that couples Hessian-informed updates with Adam moment damping to stabilize and improve convergence under sparse supervision. Experiments on standard benchmarks demonstrate that TurboGS can deliver on par or superior rendering quality within 100 seconds on a single RTX 5090 GPU card (up to 10x training speedup over vanilla 3DGS).
- Abstract（参考訳）: コンシューマレベルのアプリケーションは、3Dガウススティング(3DGS)の高速な最適化と高忠実なノベルビューレンダリングを必要とする。
しかし、既存の3DGSアクセラレーションアプローチは、細部を犠牲にしながら、冗長なピクセルの相当な計算をいまだに引き起こしている。
本稿では,3DGSを高速化する誤り誘導学習フレームワークであるTurboGSについて述べる。
TurboGSは、4つのコアコンポーネントで構成されている。(1)トレーニング中のマルチビュー再構成エラーによって駆動されるタイルワイズスパース画素サンプリング、(2)冗長な勾配計算を避けるために、課題のある領域を優先順位付けし、よく再構成された領域をスキップする、2)スパース正規化クロスコリレーションによるタイルワイズ構造認識損失、そして(3)モデルキャパシティを動的に割り当て、冗長なプリミティブを除去するエラー駆動ガウス密度制御戦略、(4)アダムモーメントと結合するヘシアンインフォームド更新を安定化し、スパース監督の下で収束性を改善するための調整されたハイブリッドオプティマイザ。
標準ベンチマークの実験では、TurboGSは単一のRTX 5090 GPUカード(バニラ3DGSの最大10倍のトレーニングスピードアップ)で100秒以内に同等または優れたレンダリング品質を提供できることが示されている。
関連論文リスト
- CaT-GS: Efficient 3DGS Rendering for Large Scale Scenes via Inter-frame Caching and Tile Scheduling [29.831227440392635]
CaT-GSは、新しくて効率的な3DGSレンダリングパイプラインである。
従来の3DGSの最大10倍のスピードアップと、これまでの最先端の手法よりも70%のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-07-20T11:33:51Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。
しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。
動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
論文 参考訳（メタデータ） (2025-06-09T16:30:48Z) - TC-GS: A Faster Gaussian Splatting Module Utilizing Tensor Cores [8.422911585027924]
本稿では,アルゴリズムに依存しない汎用モジュールTC-GSを統合し,Core(TCU)を3DGSに適用する。
提案手法は,既存のガウス加速度アルゴリズムを2.18倍高速化し,最大5.6倍の高速化を実現するとともに,レンダリング品質を維持している。
論文 参考訳（メタデータ） (2025-05-30T16:58:18Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds [71.37326848614133]
3DGSの最適化複雑性に関するスケジューリング手法であるDashGaussianを提案する。
提案手法は, 各種3DGSバックボーンの最適化を平均45.7%高速化する。
論文 参考訳（メタデータ） (2025-03-24T07:17:27Z) - LiteGS: A High-performance Framework to Train 3DGS in Subminutes via System and Algorithm Codesign [6.7123686385076615]
3D Gaussian Splatting (3DGS)は、3D表現において有望な代替手段として登場したが、それでも高いトレーニングコストに悩まされている。
本稿では、3DGSトレーニングパイプラインを体系的に最適化する高性能計算フレームワークであるLiteGSを紹介する。
実験の結果、LiteGSはオリジナルの3DGSトレーニングを最大13.4倍、同等または優れた品質で加速した。
論文 参考訳（メタデータ） (2025-03-03T05:52:02Z) - Taming 3DGS: High-Quality Radiance Fields with Limited Resources [50.92437599516609]
3D Gaussian Splatting (3DGS)は、高速で解釈可能で高忠実なレンダリングで新規ビュー合成を変換した。
予算で3DGSモデルをトレーニングし、レンダリングするという課題に取り組みます。
我々は、勾配計算と属性更新のための高速で数値的に等価な解を導出する。
論文 参考訳（メタデータ） (2024-06-21T20:44:23Z)
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。