論文の概要: Learning to Adaptively Allocate Gaussians for Arbitrary-Scale Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2606.29400v1
- Date: Sun, 28 Jun 2026 13:47:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.905565
- Title: Learning to Adaptively Allocate Gaussians for Arbitrary-Scale Image Super-Resolution
- Title（参考訳）: 任意規模の超解像に対するガウスの適応的アロケート学習
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.784098322731909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In computer graphics, visual content is continuously warped, zoomed and resampled. This occurs when engines upscale frames, users zoom into 3D scenes, or foveated VR applies varying scaling. Handling these transformations requires Arbitrary-Scale Super-Resolution (ASR). Traditional models, designed for fixed scales, typically predict at a lower integer scale (e.g., x4) and rely on sub-optimal interpolation for continuous resolutions, compromising quality. Furthermore, most methods process pixels uniformly. Since fine details are sparse, this creates overhead; efficiency dictates concentrating resources only where structural complexity demands it. While implicit models and Gaussian Splatting (GS) enable continuous representation, GS is advantageous due to adaptive densification. However, transitioning GS into a feed-forward model for ASR is non-trivial. Standard GS optimization needs high-resolution gradients to drive primitive growth, which are unavailable during inference. Thus, the network must autonomously predict GS densification from low-resolution inputs. To solve this, we propose QuADA-GS. After encoding inputs into a latent space, a Neural Routing Architecture evaluates local complexity to distribute a global budget, assigning specific upsampling factors to features to avoid redundant processing. Features are dynamically densified based on these factors, forming an irregular topology decoded into 2D Gaussian primitives. To coordinate features before decoding, we introduce Hierarchical Pointer Convolution. This non-grid operator achieves O(1) neighbor lookup complexity, facilitating efficient spatial communication and bypassing dense bottlenecks. Experiments show QuADA-GS achieves state-of-the-art ASR performance, maintaining low latency and a lean memory footprint.
- Abstract（参考訳）: 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。
これは、エンジンのアップスケール、ユーザーが3Dシーンにズームインする、あるいはVRが様々なスケーリングを適用した時に発生する。
これらの変換を扱うには、Arbitrary-Scale Super-Resolution (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、通常、低い整数スケール(例えば x4)で予測し、連続的な解像度に対する準最適補間に依存し、品質を損なう。
さらに、ほとんどのメソッドはピクセルを均一に処理する。
詳細な詳細は不十分であるため、オーバーヘッドが発生する。効率性は、構造的な複雑さが要求される場合にのみ、集中的なリソースを規定する。
暗黙的モデルとガウス的スプラッティング(GS)は連続表現を可能にするが、GSは適応的な密度化のために有利である。
しかし、GS を ASR のフィードフォワードモデルに移行することは簡単ではない。
標準GS最適化は、推論時に利用できない原始的な成長を促進するために高分解能勾配を必要とする。
したがって、ネットワークは低解像度入力からGS密度を自律的に予測する必要がある。
そこで我々はQuADA-GSを提案する。
入力を潜在空間にエンコードした後、Neural Routing Architectureは、グローバルな予算を分散するローカルな複雑さを評価し、特定のアップサンプリング要素を機能に割り当て、冗長な処理を避ける。
特徴はこれらの因子に基づいて動的に密度化され、2次元ガウス原始体にデコードされた不規則位相を形成する。
復号化前に特徴をコーディネートするために階層的ポインタ畳み込みを導入する。
この非グリッド演算子は、O(1)近傍のルックアップ複雑性を達成し、効率的な空間通信を容易にし、密集したボトルネックを回避できる。
実験によると、QuADA-GSは最先端のASR性能を実現し、低レイテンシとリーンメモリフットプリントを維持している。
関連論文リスト
- MMGS: 10$\ imes$ Compressed 3DGS through Optimal Transport Aggregation based on Multi-view Ranking [6.445070918236315]
本稿では,グローバルな幾何分布マッチング問題としてガウス最適化を定式化する新しいフレームワークを提案する。
提案手法は,バニラ3DGSと比較して,プリミティブのtextbf10$%とトレーニング速度を高速化する textbf10$times$のみを用いて,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2026-05-19T03:33:02Z) - Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。
標準適応密度制御は画面空間の位置勾配に依存する。
本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-30T15:37:20Z) - NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。
本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
論文 参考訳（メタデータ） (2026-04-16T07:14:07Z) - 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) - Fast 2DGS: Efficient Image Representation with Deep Gaussian Prior [21.89104780995278]
Fast-2DGSは効率的なガウス画像表現のための軽量なフレームワークである。
本稿では,ガウスプリミティブの空間分布を捉えるための条件付きネットワークとして実装されたDeep Gaussian Priorを紹介する。
実験により、この非絡み合ったアーキテクチャは、1つの前方通過で高品質な再構築を実現し、次いで最小限の微調整を行うことが示された。
論文 参考訳（メタデータ） (2025-12-14T17:23:28Z) - Scale-GS: Efficient Scalable Gaussian Splatting via Redundancy-filtering Training on Streaming Content [28.476493987089466]
本稿では,ストリーミングタスクを効率的にトレーニングするためのスケーラブルなガウススプレイティングフレームワークであるMについて述べる。
Mは、最先端の手法と比較して、トレーニング時間を著しく短縮しつつ、優れた視覚的品質を達成する。
論文 参考訳（メタデータ） (2025-08-29T09:13:04Z) - ADC-GS: Anchor-Driven Deformable and Compressed Gaussian Splatting for Dynamic Scene Reconstruction [22.24139713363786]
既存の4Dガウス散乱法は、標準空間からターゲットフレームへのガウス毎の変形に依存している。
動的シーン再構成のためのコンパクトで効率的なADC-GSを提案する。
その結果, ADC-GS はレンダリング速度300%-800% でガウス変形法よりも優れていた。
論文 参考訳（メタデータ） (2025-05-13T03:13:40Z) - 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) - Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling [50.34513854725803]
Arbitrary-scale Super- resolution (ASSR) は、低解像度(LR)入力から任意のアップサンプリング係数で高解像度(HR)イメージを再構成することを目的としている。
本稿では,Gaussian Splattingを用いたLR画像から2次元連続HR信号を明示的に再構成する,Pixel-to-Gaussianパラダイムを用いた新しいContinuousSRフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-09T13:43:57Z) - Generalized and Efficient 2D Gaussian Splatting for Arbitrary-scale Super-Resolution [10.074968164380314]
Inlicit Neural Representations (INR) は任意スケール超解法 (ASR) に成功している
しかし、INRベースのモデルは多層パーセプトロンモジュールを何度もクエリし、各クエリにピクセルを描画する必要がある。
GSは、3Dタスクの視覚的品質とレンダリング速度の両方においてINRよりも利点を示しており、GSがASRタスクに使えるかどうかを探求する動機となっている。
論文 参考訳（メタデータ） (2025-01-12T15:14:58Z) - Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。
また,GA-Planeは既存の表現にも適用可能であることを示す。
論文 参考訳（メタデータ） (2024-11-20T18:21:58Z)
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。