論文の概要: Splaxel: Efficient Distributed Training of 3D Gaussian Splatting for Large-scale Scene Reconstruction via Pixel-level Communication

• arxiv url: http://arxiv.org/abs/2606.18588v1
• Date: Wed, 17 Jun 2026 01:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.954874
• Title: Splaxel: Efficient Distributed Training of 3D Gaussian Splatting for Large-scale Scene Reconstruction via Pixel-level Communication
• Title（参考訳）: Splaxel: 画素レベル通信による大規模シーン再構築のための3次元ガウス平滑化の効率的な分散トレーニング
• Authors: Wenqi Jia, Zhewen Hu, Ying Huang, Yu Gong, Stavros Kalafatis, Yuke Wang, Wei Niu, Chengming Zhang, Ang Li, Sheng Di, Yuede Ji, Bo Fang, Miao Yin,
• Abstract要約: Splaxelは、ピクセルレベルの局所レンダリングとグローバルコンポジションに基づく通信効率のよい3DGSトレーニングフレームワークである。 Spaxelは最先端の分散3DGSフレームワークを最大7.6$times$スピードアップする。
• 参考スコア（独自算出の注目度）: 23.72228306115471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) enables high-fidelity and real-time 3D scene reconstruction, but scaling training to large-scale scenes requires optimizing hundreds of millions of Gaussians across multiple GPUs. Existing distributed approaches either partition scenes into isolated regions, causing global inconsistency, or rely on global Gaussian-level exchanges, which lead to substantial growth in inter-GPU communication and quickly dominate iteration time. We propose Splaxel, a communication-efficient distributed 3DGS training framework based on pixel-level local rendering and global composition. Instead of synchronizing Gaussians, each GPU renders its local subset and exchanges only partial pixel values, maintaining mathematical consistency while keeping communication cost stable as the scene size increases. Splaxel further reduces pixel-level redundancy through geometric and transmittance visibility prediction and improves GPU utilization via conflict-free camera-view consolidation. Evaluated on large-scale datasets with up to 120M Gaussians, Splaxel achieves up to 7.6$\times$ speedup over the state-of-the-art distributed 3DGS framework while preserving high reconstruction quality.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、高忠実でリアルタイムな3Dシーンの再構築を可能にするが、大規模なシーンへのトレーニングでは、複数のGPUで数十億ガウスを最適化する必要がある。 既存の分散アプローチは、シーンを分離されたリージョンに分割し、グローバルな不整合を引き起こしたり、グローバルなガウスレベルの交換に依存する。 画素レベルの局所レンダリングとグローバルな構成に基づく通信効率の高い分散3DGSトレーニングフレームワークであるSplaxelを提案する。 ガウスアンを同期させる代わりに、各GPUは局所的なサブセットをレンダリングし、部分的なピクセル値のみを交換し、シーンサイズが大きくなるにつれて通信コストを安定させながら数学的一貫性を維持する。 Splaxelはさらに、幾何学的および透過的可視性予測を通じてピクセルレベルの冗長性を低減し、コンフリクトフリーカメラビュー統合によるGPU利用を改善する。 最大120万ガウスの大規模データセットで評価されたSplaxelは、最先端の分散3DGSフレームワークよりも最大7.6$\times$のスピードアップを実現し、高い再構築品質を維持している。

関連論文リスト

• Local-GS: Accelerating 3D Gaussian Splatting via Tile-Local Warp Coherence [31.001161060131622]
  3D Gaussian Splatting (3DGS)は、シーンを異方性3D Gaussianプリミティブの密集体として表現することにより、リアルタイムなノベルビュー計算を著しく進歩させた。 シーン幾何学よりもSIMT(Single Instruction, Multiple Threads)の実行境界に関してガウス的プリミティブを整理するワープコヒーレントレンダリングパラダイムであるLocal-GSを提案する。 プラグ・アンド・プレイの最適化として、全てのテストベースラインにさらなるパフォーマンス向上をもたらし、Deep Blendingのシーンで7.76Times$のスピードアップが達成された。
  論文  参考訳（メタデータ） (2026-06-15T11:08:10Z)
• TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
  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。
  論文  参考訳（メタデータ） (2026-06-14T16:59:48Z)
• 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)
• Compact Keyframe-Optimized Multi-Agent Gaussian Splatting SLAM [4.458834881246724]
  マルチエージェント3Dマッピングは未知の環境で動作しているロボットチームにとって不可欠だが、密度の高い表現はリアルタイムの交換を妨げる。 本稿では,地図の忠実性を保ちながら通信負荷を低減するマルチエージェント RGB-D Gaussian Splatting SLAM フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T12:11:20Z)
• PG-SAG: Parallel Gaussian Splatting for Fine-Grained Large-Scale Urban Buildings Reconstruction via Semantic-Aware Grouping [6.160345720038265]
  本稿では,分割処理とカーネル最適化の両方にセマンティックキューをフル活用した並列ガウス分割手法PG-SAGを提案する。 その結果, 建物表面の再構成におけるPG-SAGの優れた性能を示すことができた。
  論文  参考訳（メタデータ） (2025-01-03T07:40:16Z)
• 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)
• 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)
• 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。