論文の概要: ACE-GS: Acing the Trade-off with Accurate, Compact and Efficient 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2606.21244v1
• Date: Fri, 19 Jun 2026 09:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 07:07:05.117821
• Title: ACE-GS: Acing the Trade-off with Accurate, Compact and Efficient 3D Gaussian Splatting
• Title（参考訳）: ACE-GS: 高精度でコンパクトで効率的な3Dガウス平滑化によるトレードオフ
• Authors: Jijian Zhao,
• Abstract要約: ACE-GSは、正確で、圧縮され、効率的なシーン表現に適したプログレッシブ最適化フレームワークである。 本研究では,高速フレームワークであるSpeedy-Splatに対して,最大3.7倍のトレーニングアクセラレーションを実現する。 ACE-GSは収束するのにわずか3分から5分しか必要とせず、最も高い構造的類似性を確保し、元の3DGSよりも最大0.89dBのPSNR改善を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting achieves exceptional real-time rendering, but its substantial computational and storage demands hinder widespread deployment. Existing accelerated paradigms often aggressively prune primitives for rapid convergence, causing severe loss of high-frequency details. To address this, we tackle the fundamental problem of achieving both exceptional rendering quality and ultra-fast reconstruction speed. In this paper, we propose ACE-GS, a progressive optimization framework tailored for accurate, compressed, and efficient scene representation. We realize that precise primitive management is the key to breaking this trade-off. Therefore, we first design a momentum consistency-guided densification strategy, strictly constraining primitive growth onto authentic geometric manifolds to avoid computational waste while significantly accelerating convergence. Building upon this efficient initialization, we deploy a statistical sensitivity-driven sparsification mechanism to precisely prune redundant primitives, yielding a further compressed footprint. Finally, to thoroughly compensate for the risk of micro-structure loss caused by the aforementioned strict primitive control, we introduce a cross-dimensional residual frequency compensation scheme that explicitly back-injects high-frequency error energy into primitive attributes, perfectly restoring sharp geometric details. Extensive experiments validate our superiority. While maintaining a highly compact scene representation, our system achieves up to 3.7 times training acceleration against the rapid framework Speedy-Splat. Requiring only 3 to 5 minutes to converge, ACE-GS secures the highest structural similarity and achieves a peak PSNR improvement of up to 0.89 dB over the original 3DGS, establishing a new benchmark for ultra-fast and high-fidelity novel view synthesis.
• Abstract（参考訳）: 3D Gaussian Splattingは例外的なリアルタイムレンダリングを実現するが、その相当な計算量とストレージ要求は、広く展開を妨げている。 既存の加速パラダイムは、しばしば急激な収束のために積極的なプリミティブを創り出し、高周波の詳細が著しく失われる。 そこで本研究では,レンダリング品質と超高速再構築速度の両立を両立する基本的課題に対処する。 本稿では,精度,圧縮,効率的なシーン表現に適したプログレッシブ最適化フレームワークであるACE-GSを提案する。 私たちは、このトレードオフを打破する鍵は、正確な原始的な管理にあることに気付きました。 そこで我々はまず, 収束を著しく促進しつつ, 計算廃棄物を避けるために, 原始的な成長を厳密に制限する運動量整合性誘導密度化戦略を設計する。 この効率的な初期化に基づいて、統計的感度駆動のスペーシフィケーション機構を展開し、冗長なプリミティブを正確にプルークし、さらに圧縮されたフットプリントを生成する。 最後に、上記の厳密なプリミティブ制御によるミクロ構造損失のリスクを徹底的に補償するために、高周波数誤差エネルギーをプリミティブ属性に明示的に逆注入し、シャープな幾何的詳細を完璧に復元するクロス次元残留周波数補償スキームを導入する。 大規模な実験は我々の優越性を実証する。 非常にコンパクトなシーン表現を維持しながら,高速なフレームワークであるSpeedy-Splatに対して最大3.7倍のトレーニングアクセラレーションを実現する。 ACE-GSは収束するのにわずか3分から5分しか必要とせず、最も高い構造的類似性を確保し、元の3DGSよりも最大0.89dBのPSNR改善を実現し、超高速で高忠実な新規ビュー合成のための新しいベンチマークを確立した。

関連論文リスト

• REFINE: Super-efficient 3D Gaussian Splatting Pruning via Rendering-Free Primitive Importance [58.94345609736356]
  REFINEは、新しいレンダリングフリープリミティブ・プライマリ・プライマリ・メトリックを中心に、高度に高速化された3DGSプルーニング・フレームワークである。 複数のベンチマークデータセットに対する実験は、REFINEが非常に競争力のあるレンダリング品質を維持していることを示している。
  論文  参考訳（メタデータ） (2026-06-08T06:16:38Z)
• ForeSplat: Optimization-Aware Foresight for Feed-Forward 3D Gaussian Splatting [65.02700555625749]
  ForeSplatはフィードフォワード3DGSモデルのための最適化対応のトレーニングフレームワークである。 ForeSplatはフィードフォワードモデルのキャパシティ圧力を大幅に低減する。 償却予測とシーンごとの最適化のギャップを埋める。
  論文  参考訳（メタデータ） (2026-05-21T05:38:47Z)
• Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives [14.295266671241004]
  3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングをフォトリアリスティックな品質で実現した。 3DGSは高い忠実性を達成するために多くのプリミティブを必要とすることが多い。 そこで我々は, 刈り取りタイミングと精錬間隔を決定する, 効率的で統合された組立型刈り取り戦略を提案する。 また,1つのプリミティブにおいて正と負の両密度を共同でモデル化する3次元ガウス差分プリミティブも導入する。
  論文  参考訳（メタデータ） (2026-02-27T16:12:58Z)
• Fast Converging 3D Gaussian Splatting for 1-Minute Reconstruction [21.22231699553299]
  1分以内に収束するように設計された高速な3DGS再構築パイプラインを提案する。 このパイプラインはSIGGRAPH Asia 3DGS Fast Reconstruction Challengeのために開発された。 提案手法はPSNR28.43でトップパフォーマンスを達成し,第1位となった。
  論文  参考訳（メタデータ） (2026-01-27T11:20:37Z)
• CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
  本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。 速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。 提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
  論文  参考訳（メタデータ） (2026-01-19T08:21:45Z)
• Opacity-Gradient Driven Density Control for Compact and Efficient Few-Shot 3D Gaussian Splatting [0.0]
  本稿では,3DGSの最適化を最適化し,効率を優先するフレームワークを提案する。 我々は、標準位置勾配を、不透明度勾配をレンダリングエラーの軽量プロキシとして利用する新しい密度化トリガに置き換える。 3ビューのLLFFデータセットでは、我々のモデルはFSGSよりも40%以上コンパクト(32k対57kプリミティブ)であり、Mip-NeRF 360データセットでは約70%の削減を実現している。
  論文  参考訳（メタデータ） (2025-10-11T15:33:50Z)
• 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)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)

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。