論文の概要: Provable Pruning for Efficient 3D Gaussian Splatting via Coresets
- arxiv url: http://arxiv.org/abs/2607.02721v1
- Date: Thu, 02 Jul 2026 19:15:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.406062
- Title: Provable Pruning for Efficient 3D Gaussian Splatting via Coresets
- Title（参考訳）: コアセットによる高能率3次元ガウス平滑化のための確率的プルーニング
- Abstract要約: 非自明な乗法的3DGSコアセットは存在しない。
次に、乗法的保証は不可能ではなく、解決に依存していることを示す。
当社の手法は,最も必要なデプロイ – あるいは最小限のリカバリ計算を備えたアグレッシブ圧縮 – で最強である。
- 参考スコア（独自算出の注目度）: 9.304998332555952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D Gaussian Splatting (3DGS) enables high-quality real-time novel-view synthesis, but practical scenes often contain millions of Gaussians, making compression essential for deployment on limited hardware. Existing reduction methods are effective but mostly heuristic: they provide no multiplicative approximation guarantee for the rendered objective, and thus rely heavily on costly post-pruning finetuning to recover quality. We ask a basic question: can a 3DGS scene be provably replaced by a much smaller weighted subset (coreset) while preserving the objective of interest? We first show that, in the unrestricted setting, no non-trivial multiplicative 3DGS coreset exists. We then show that multiplicative guarantees are not impossible, but resolution-dependent. For a prescribed rendering resolution, such as representative views or grids of views/rays, we provide the first weighted coreset construction theorem for 3DGS. The construction samples Gaussians by sensitivity: provable importance scores measuring each Gaussian's role in the full-scene objective. Finally, under explicit validity and log-transmittance stability assumptions, we turn this objective guarantee into a rendering guarantee. Empirically, our method is strongest where deployment needs it most: aggressive compression with no or minimal recovery compute. In prune-only and very short finetuning regimes, it achieves state-of-the-art performance, showing that principled importance estimation can be both theoretically meaningful and practically useful. Open-source code is available at https://github.com/waseem-m/3dgs_provable_coresets.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は高品質のリアルタイムノベルビュー合成を可能にするが、現実的なシーンでは数百万のガウスアンを含むことが多く、限られたハードウェア上での展開に圧縮が不可欠である。
既存の縮小法は有効であるが、主にヒューリスティックであり、予測された目的に対して乗算近似の保証は提供しないため、品質を回復するためにコストのかかる後処理の微調整に大きく依存する。
3DGSシーンは、利益の目標を維持しながら、はるかに小さな重み付きサブセット(コアセット)に確実に置き換えられるか?
まず、制約のない環境では、非自明な乗法的3DGSコアセットは存在しないことを示す。
次に、乗法的保証は不可能ではなく、解決に依存していることを示す。
代表ビューやビュー/レイのグリッドなどの所定のレンダリング解決のために、3DGS に対する最初の重み付けコアセット構成定理を提供する。
立案可能な重要度スコアは、フルシーンの目的においてそれぞれのガウスの役割を測定する。
最後に、明示的な妥当性と対数透過安定性の仮定の下で、この客観的保証をレンダリング保証に変換する。
実験的な方法では,本手法が最も必要とされているのはアグレッシブ圧縮であり,リカバリ計算は最小限あるいは最小限である。
プルーネのみと非常に短い微調整法では、最先端のパフォーマンスを実現し、原理的重要性推定は理論的に有意義かつ実用的に有用であることを示した。
オープンソースコードはhttps://github.com/waseem-m/3dgs_provable_coresetsで公開されている。
関連論文リスト
- GSCompleter: A Distillation-Free Plugin for Metric-Aware 3D Gaussian Splatting Completion in Seconds [25.00064989891048]
GSCompleterは蒸留不要のプラグインで、シーン補完を安定した"Generate-then-Register"ワークフローに移行する。
提案手法は,まず可塑性2D参照画像を合成し,ロバストなステレオアンカー機構を用いて,メートルスケールの3Dプリミティブに明示的に持ち上げる。
この高速な登録パラダイムへのシフトは、3つの異なるベンチマークで優れた3DGS補完性能を提供する。
論文 参考訳（メタデータ） (2026-04-22T03:47:25Z) - Segmentation-Driven Initialization for Sparse-view 3D Gaussian Splatting [0.9251324073335035]
3D Gaussian Splatting (3DGS)は、競争力のあるリアルタイムレンダリングを可能にした。
既存のパイプラインは、しばしばカメラポーズ推定にStructure-from-Motion(SfM)に依存している。
本研究では,構造的に重要な領域のみを識別・保持するために,領域ベースセグメンテーションを活用して非効率を緩和する手法を提案する。
論文 参考訳（メタデータ） (2025-09-15T12:31:33Z) - Gaussian Herding across Pens: An Optimal Transport Perspective on Global Gaussian Reduction for 3DGS [13.03299802566674]
3DGSは、放射場レンダリングの強力な技術として登場したが、通常は数百万の冗長なガウスプリミティブを必要とする。
本稿では,グローバルなガウス混合還元として3DGSのコンパクト化を推し進める,新しい最適輸送視点を提案する。
本手法は,バニラおよび加速3DGSパイプラインの任意の段階に適用可能であり,軽量なニューラルレンダリングへの効率的かつ非依存的な経路を提供する。
論文 参考訳（メタデータ） (2025-06-11T09:04:44Z) - FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。
従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。
本稿では3DGSの弾性推論手法を提案する。
論文 参考訳（メタデータ） (2025-06-04T17:17:57Z) - ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。
近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。
本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
論文 参考訳（メタデータ） (2025-03-21T18:55:14Z) - MVPGS: Excavating Multi-view Priors for Gaussian Splatting from Sparse Input Views [27.47491233656671]
新規ビュー合成(NVS)は3次元視覚アプリケーションにおいて重要な課題である。
我々は,3次元ガウススプラッティングに基づくマルチビュー先行を探索する数ショットNVS法である textbfMVPGS を提案する。
実験により,提案手法はリアルタイムレンダリング速度で最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2024-09-22T05:07:20Z) - 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) - 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) - 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)
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。