論文の概要: Efficient Compression of Structured and Unstructured Volumes via Learned 3D Gaussian Representation

• arxiv url: http://arxiv.org/abs/2607.01164v1
• Date: Wed, 01 Jul 2026 16:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.99694
• Title: Efficient Compression of Structured and Unstructured Volumes via Learned 3D Gaussian Representation
• Title（参考訳）: 学習した3次元ガウス表現による構造体積と非構造体積の効率的な圧縮
• Authors: Landon Dyken, Sharmistha Chakrabarti, Nathan Debardeleben, Steve Petruzza, Qi Wu, Will Usher, Sidharth Kumar,
• Abstract要約: 本稿では,3次元ガウスプリミティブに基づくボリュームデータ圧縮の明示的モデルを提案する。 我々の明示的なモデルは、構造化ボリュームのトレーニングスピードアップを著しく向上させながら、非構造化ボリュームのすべての指標において、競争力のある再構築品質を達成する。
• 参考スコア（独自算出の注目度）: 10.225048129804845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has shown that implicit neural representations (INRs) can be trained to effectively compress structured and unstructured volume data, allowing for direct data querying with a reduced memory footprint. However, as existing INRs for unstructured volumes do not encode geometry, they require partial mesh storage for later sampling, limiting achievable compression. At the same time, novel view synthesis methods have shown that explicit collections of 3D Gaussians can be used to accurately visualize volume data. In this work, we introduce an explicit model for volume data compression based on 3D Gaussian primitives. We reinterpret collections of 3D Gaussians as an explicit representation of a scalar field and use a sampling strategy that reconstructs scalar values at spatial locations through weighted aggregation of intersecting Gaussians. We develop optimized CUDA-accelerated pipelines for structured and unstructured model sampling, loss functions that encourage accurate domain encoding by our models, and a novel sampling-error based densification strategy. Our explicit formulation naturally encodes domain geometry, eliminating the need for mesh storage in unstructured volumes and introducing significantly higher compression opportunities. Compared to existing INRs, we demonstrate that our explicit model achieves competitive reconstruction quality with significant training speedups on structured volumes, while markedly outperforming in all metrics on unstructured volumes.
• Abstract（参考訳）: 近年の研究では、暗黙のニューラルネットワーク表現(INR)が、構造的および非構造的ボリュームデータを効果的に圧縮し、メモリフットプリントを削減した直接データクエリを可能にすることが示されている。 しかし、非構造化ボリュームの既存のINRは幾何学を符号化しないため、後続のサンプリングのために部分的なメッシュストレージを必要とし、達成可能な圧縮を制限する。 同時に、新しいビュー合成手法により、ボリュームデータを正確に視覚化するために3次元ガウスの明示的なコレクションが利用可能であることが示されている。 本研究では,3次元ガウスプリミティブに基づくボリュームデータ圧縮の明示的モデルを提案する。 我々は3次元ガウスの集合をスカラー場の明示的な表現として再解釈し、交差するガウスの重み付けによる空間的位置におけるスカラー値の再構成を行うサンプリング戦略を用いる。 我々は、構造化および非構造化モデルサンプリングのための最適化されたCUDA加速パイプライン、モデルによる正確なドメインエンコーディングを促進する損失関数、新しいサンプリングエラーに基づくデンシフィケーション戦略を開発した。 我々の明示的な定式化はドメイン幾何学を自然にエンコードし、非構造化ボリュームでのメッシュストレージの必要性を排除し、圧縮機会を著しく高めている。 既存のINRと比較して,我々の明示的なモデルは,構造化ボリュームのトレーニングスピードアップを著しく向上させながら,非構造化ボリュームのすべての指標において顕著に性能が向上することを示す。

関連論文リスト

• 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)
• GaussianPile: A Unified Sparse Gaussian Splatting Framework for Slice-based Volumetric Reconstruction [12.711852675106124]
  スライスに基づく体積像が広く応用され、分析のために内部構造を積極的に保存する表現が要求される。 この課題に対処するために,GaussianPileを導入し,3Dガウススプラッティングを撮像システム対応フォーカスモデルと統合する。 実際には、NeRFベースのアプローチよりも最大11倍高速で、3分で高品質な結果をもたらし、ボクセルグリッド上で一貫した16倍の圧縮を実現している。
  論文  参考訳（メタデータ） (2026-03-21T03:10:27Z)
• Feed-Forward 3D Gaussian Splatting Compression with Long-Context Modeling [30.948753429414648]
  3DGSは革命的な3D表現として登場したが、その膨大なデータサイズは、広く普及するための大きな障壁となっている。 長距離相関を効果的にモデル化するフィードフォワード3DGS圧縮フレームワークを提案する。 本手法は,フィードフォワード推論における3DGSの圧縮率を20倍に設定する。
  論文  参考訳（メタデータ） (2025-11-30T12:51:43Z)
• HEMGS: A Hybrid Entropy Model for 3D Gaussian Splatting Data Compression [25.820461699307042]
  本稿では,3次元ガウススプラッティング(HEMGS)のためのハイブリッドエントロピーモデルを提案する。 変数レート予測器、ハイパープライアネットワーク、自動回帰ネットワークの3つの主要コンポーネントで構成されている。 HEMGSは、ベースラインメソッドのレンダリング品質を維持しながら、約40%のサイズ削減を実現している。
  論文  参考訳（メタデータ） (2024-11-27T16:08:59Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)
• HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。 高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。 私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
  論文  参考訳（メタデータ） (2024-03-21T16:28:58Z)

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。