論文の概要: Resonant Brane Splatting for Arbitrary-Scale Super-Resolution

• arxiv url: http://arxiv.org/abs/2606.29453v2
• Date: Wed, 01 Jul 2026 22:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.241127
• Title: Resonant Brane Splatting for Arbitrary-Scale Super-Resolution
• Title（参考訳）: 任意スケール超解像に対する共鳴ブレインめっき法
• Abstract要約: ASR(Arbitrary-Scale Super-Resolution)は連続的な拡大係数で画像を再構成する。 最近の手法では、重い暗黙のニューラルデコーダを明示的な2次元ガウススプラッティングに置き換えることで推論を加速している。 本稿では,フィードフォワード ASR フレームワークである Resonant Brane Splatting (RBS) を紹介する。
• 参考スコア（独自算出の注目度）: 8.784098322731909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Arbitrary-Scale Super-Resolution (ASR) reconstructs images at continuous magnification factors. Recent methods accelerate inference by replacing computationally heavy implicit neural decoders with explicit 2D Gaussian Splatting (GS). However, since standard Gaussians are smooth low-pass primitives, modeling edges and fine textures requires multiple overlapping, well-aligned splats, which creates severe bottlenecks during rasterization. To address this, we introduce Resonant Brane Splatting (RBS), a feed-forward ASR framework. RBS replaces flat Gaussians with Branes: expressive primitives that emit spatially varying colors to natively model local contrast and complex textures within a single footprint. We achieve this by augmenting the standard Gaussian envelope with internal Gaussian-Hermite modes, assigning a distinct color coefficient to each. The zero-order mode recovers standard GS, while higher-order modes capture high frequencies. We predict Brane parameters directly from low-resolution features. Because Branes provide a mathematically richer formulation than simple Gaussians, far fewer primitives need to overlap to reconstruct a given target pixel. To exploit this, we introduce an efficient fully differentiable rasterizer with a precise culling strategy based on the classical quantum turning point. This allows us to safely skip negligible regions, drastically reducing the rendering overhead. Experiments on standard ASR benchmarks show that RBS improves reconstruction quality over implicit and GS baselines, while achieving superior speed-quality trade-off than prior GS methods.
• Abstract（参考訳）: ASR(Arbitrary-Scale Super-Resolution)は連続的な拡大係数で画像を再構成する。 最近の手法は、計算的に重い暗黙のニューラルデコーダを明示的な2次元ガウススプラッティング(GS)に置き換えることで推論を加速する。 しかし、標準ガウスはスムーズなローパスプリミティブであるため、エッジときめの細かいテクスチャのモデリングには複数の重なり合い、よく整合したスプラットが必要であるため、ラスタライズ時に深刻なボトルネックが発生する。 これを解決するために、フィードフォワードASRフレームワークであるResonant Brane Splatting (RBS)を紹介する。 RBSは、局所的なコントラストと1フットプリント内の複雑なテクスチャをネイティブにモデル化するために、空間的に異なる色を放つ表現的なプリミティブである。 我々は、標準ガウスエンベロープを内部ガウス・ハーマイトモードで拡張し、それぞれに異なる色係数を割り当てることでこれを達成した。 ゼロオーダーモードは標準GSを回復し、上位モードは高周波数を受信する。 我々は低解像度特徴量からブレーンパラメータを直接予測する。 ブレーンは単純なガウス式よりも数学的にリッチな定式化を提供するので、与えられた対象画素を再構成するために重複するプリミティブははるかに少ない。 これを活用するために,古典的量子回転点に基づく正確なカリング戦略を持つ完全微分可能ラスタライザを導入する。 これにより、無視可能なリージョンを安全にスキップすることができ、レンダリングオーバーヘッドを大幅に削減できます。 標準的なASRベンチマークの実験では、RBSは暗黙的およびGSベースラインよりも再構築品質を向上し、従来のGS手法よりも優れた速度品質のトレードオフを実現している。

関連論文リスト

• Learning to Adaptively Allocate Gaussians for Arbitrary-Scale Image Super-Resolution [8.784098322731909]
  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。
  論文  参考訳（メタデータ） (2026-06-28T13:47:43Z)
• Neural Gabor Splatting: Enhanced Gaussian Splatting with Neural Gabor for High-frequency Surface Reconstruction [1.0312968200748116]
  3D Gaussian splatting (3DGS) は3次元再構成と新しいビュー合成のための強力なアプローチである。 3DGSは重大な欠点に悩まされており、出現頻度の高いシーンではプリミティブの数が大幅に増加します。 本稿では,ガウスプリミティブを軽量な多層パーセプトロンで拡張するニューラルガボルスプラッティングを提案する。 提案手法は, 挑戦的な高周波表面の正確な再構成を実現する。
  論文  参考訳（メタデータ） (2026-04-17T11:00:19Z)
• 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)
• 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)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• GaussianSR: High Fidelity 2D Gaussian Splatting for Arbitrary-Scale Image Super-Resolution [29.49617080140511]
  入射神経表現(INR)は、画像の任意のスケールの超解像(ASSR)の分野を大幅に進歩させた。 既存のINRベースのASSRネットワークは、まずエンコーダを用いて与えられた低解像度画像から特徴を抽出し、次に多層パーセプトロンデコーダを用いて超解像結果をレンダリングする。 2次元ガウススプラッティング(2DGS)によるこの制限を克服する新しいASSR法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T13:53:48Z)
• RTG-SLAM: Real-time 3D Reconstruction at Scale using Gaussian Splatting [51.51310922527121]
  ガウススプラッティングを用いた大規模環境のためのRGBDカメラを用いたリアルタイム3D再構成システムを提案する。 それぞれのガウス語は不透明かほぼ透明で、不透明なものは表面色と支配的な色に、透明なものは残留色に適合する。 様々な大きなシーンをリアルタイムに再現し、新しいビュー合成とカメラトラッキングの精度のリアリズムにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-30T16:54:59Z)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)
• 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。