論文の概要: Rendering-Aware Bayesian 3D Gaussian Splatting with Native Uncertainty and Adaptive Complexity Control

• arxiv url: http://arxiv.org/abs/2607.05522v1
• Date: Mon, 06 Jul 2026 18:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.29723
• Title: Rendering-Aware Bayesian 3D Gaussian Splatting with Native Uncertainty and Adaptive Complexity Control
• Title（参考訳）: Rendering-Aware Bayesian 3D Gaussian Splatting with Native Uncertainity and Adaptive Complexity Control
• Abstract要約: 3DGSはリアルタイムノベルビューの強力な表現であるが、標準的なトレーニングパイプラインは点推定と手作業による合成に依存している。 本稿では,ベイズ幾何学を標準逆ウィッシュアートの手法と共分散を用いて追従するレンダリング対応3DGSフレームワークを提案する。 固定予算の16対32のアクティブビュータスクでは、ネイティブNIWはPSNRを+0.453dB、LPIPSを-0.0146で改善し、スコアのみの3つの標準アンサンブルベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 20.917423573702127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian splatting (3DGS) is a strong representation for real-time novel-view synthesis, but its standard training pipeline relies on point estimates and hand-tuned heuristics, providing no native uncertainty or principled complexity control. This is most limiting under sparse views or fixed acquisition budgets, where a model must identify weakly supported geometry and select informative views. We introduce a rendering-aware Bayesian 3DGS framework that tracks Gaussian geometry with a Normal-Inverse-Wishart posterior over means and covariances using renderer-derived surrogate summaries. An optional Dirichlet-process extension adds a probabilistic component-usage signal, and the training schedule makes the closed-form versus approximate inference boundary explicit. Re-rendering posterior geometry samples yields native predictive uncertainty for interval calibration and active view selection. In a fixed-budget 16-to-32 active-view task, native NIW acquisition improves PSNR by +0.453 dB and LPIPS by -0.0146 over a scoring-only 3-member standard-ensemble baseline, winning 29/39 scene-seed pairs and 10/13 scene means; it also improves over PPU-style (+0.355 dB) and NIW-proxy (+0.401 dB) acquisition. NIW native intervals reduce 95% coverage error by about 17x relative to a shared proxy (0.046 vs. 0.796) and are about 10x closer to nominal coverage than a 3-member deep ensemble (0.047 vs. 0.454) at roughly one-third the training cost. As a reconstruction compatibility check, paired NIW-vs-standard analysis over 39 scene-seed runs yields +0.030 dB PSNR with 1.6% additional training time. These results position Bayesian 3DGS as a practical probabilistic scene representation for decision-facing tasks such as active view selection.
• Abstract（参考訳）: 3D Gaussian splatting (3DGS) は、リアルタイムなノベルビュー合成の強力な表現であるが、標準的なトレーニングパイプラインは、点推定と手作業によるヒューリスティックスに依存しており、ネイティブな不確実性や複雑性制御を提供しない。 モデルは弱い支持された幾何学を識別し、情報的視点を選択する必要がある。 本稿では,正規-逆-ウィッシャート後続法を用いてガウス幾何学を追従するレンダリング対応ベイズ3DGSフレームワークを提案する。 任意のディリクレプロセス拡張は確率的成分使用信号を追加し、トレーニングスケジュールは閉形式と近似推論境界を明示する。 後方幾何サンプルの再レンダリングは、インターバルキャリブレーションとアクティブビュー選択のためのネイティブな予測の不確実性をもたらす。 固定予算16対32のアクティブビュータスクにおいて、ネイティブNIWはPSNRを+0.453dB、LPIPSを-0.0146で改善し、スコアオンリーの標準アンサンブルベースラインで29/39のシーンシードペアと10/13のシーン手段を獲得し、PPUスタイル(+0.355dB)とNIWプロキシ(+0.401dB)よりも改善する。 NIWネイティブインターバルは、共有プロキシ(0.046 vs. 0.796)と比較して95%のカバレッジエラーを約17倍削減し、トレーニングコストの約3分の1で3員のディープアンサンブル(0.047 vs. 0.454)よりも約10倍近い。 再現整合性チェックとして、39回のシーン・シード・ランに対するNIW-vs標準解析は、さらに1.6%のトレーニング時間で+0.030dBPSNRを出力する。 これらの結果から,ベイジアン3DGSを,アクティブビュー選択などの意思決定タスクの実践的確率的シーン表現として位置づけた。

関連論文リスト

• View-Structured Conformal Prediction for 3D Gaussian Splatting [26.600186868779364]
  3D Gaussian Splatting (3DGS)は、新しいビューをリアルタイムでレンダリングするが、不確実なヒートマップは、レンダリングされたビューが特定の予測カバレッジを満たすことを証明しない。 ビュー構造化コンフォーマル予測(VSCP)を提案する。 これは、事前校正スケールを、必要となる最小のビューワイズ乗算器を予測する有界および移動可能なビューワイズ因子から空間的な形状に分割する。
  論文  参考訳（メタデータ） (2026-09-09T15:16:52Z)
• Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
  論文  参考訳（メタデータ） (2026-09-07T15:03:36Z)
• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
  TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。 標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
  論文  参考訳（メタデータ） (2026-06-14T16:59:48Z)
• KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis [28.10448224660243]
  3D Gaussian Splatting(3DGS)は、シーンを差別化によって最適化された異方性ガウスのコレクションとして表現することで、リアルタイムなノベルビュー合成を可能にする。 標準画素空間損失(L1, SSIM)は、再構成エラーのみを集約し、周波数スケールでエラーを再分配する最適化を可能にする。 我々は,自然画像統計に基づくウェーブレットドメインによる3DGSトレーニングを強化するKC-3DGSを提案する。
  論文  参考訳（メタデータ） (2026-06-02T04:04:24Z)
• Parameter-Efficient CT Reconstruction via Deep Graph Laplacian Regularization [3.9023730200298203]
  本研究は、厳密な資源制約の下でグラフベースの正規化が有意義なノイズ低減をもたらすかどうかを考察する。 本稿では,グラフ正規化をPhysmal Forward-Backward Splitting最適化フレームワークに統合したDeep Graph Laplacian Regularization (Deep GLR)を提案する。 LoDoPaB-CTベンチマークで評価され、Deep GLRは30.70dBのPSNRを達成した。
  論文  参考訳（メタデータ） (2026-05-25T02:04:29Z)
• Beyond Inference-Only Deployment: Comparing Weight-Based Consolidation Against Cascading Compaction [1.6214121783846343]
  本研究は,1つのコンシューマ上でのLow-Rank Adaptation (LoRA)ファインチューニングにより,インタラクション知識をモデルウェイトに夜間に集約することを評価する。 10つの現実的なソフトウェア開発の会話の中で、カスケードのコンパクト化は36.8 +/-3.0%の知識を保持する。 LoRAは、相互作用知識を合成、合成、Low-Rank Adaptation (LoRA)ファインチューニングを通じてモデルウェイトに集約する。
  論文  参考訳（メタデータ） (2026-05-23T16:57:25Z)
• Unextractable Protocol Models: Collaborative Training and Inference without Weight Materialization [58.14514930760722]
  参加者が協力して大規模なニューラルネットワークを訓練し、提供する分散セットアップを検討する。 このセットアップでは、フルウェイトセットがどの参加者にも利用できないような、非機械的なウェイトの可能性を探る。 我々は、シャードモデルセットアップを利用するトレーニングおよび推論フレームワーク、Unextractable Protocol Models (UPMs)を紹介する。
  論文  参考訳（メタデータ） (2026-05-22T10:24:57Z)
• The frame-level leakage trap: rethinking evaluation protocols for intrinsic image decomposition, with source-separable uncertainty as a case study [0.0]
  3つのアーキテクチャで、初めてリーク効果を定量化します。 フレームレベルスプリットは、シーンレベルスプリットに対してR_PSNRを1.6〜2.0dB膨張させる。 我々は、S + N で構成された物理インフォームド分解 I = R を、ソース分離可能な三方向不確実性ヘッドで表現する。
  論文  参考訳（メタデータ） (2026-05-07T14:37:16Z)
• 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)
• LP-3DGS: Learning to Prune 3D Gaussian Splatting [71.97762528812187]
  本稿では,トレーニング可能な2値マスクを重要度に応用し,最適プルーニング比を自動的に検出する3DGSを提案する。 実験の結果,LP-3DGSは効率と高品質の両面において良好なバランスを保っていることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T05:58:34Z)
• SparseGS: Real-Time 360° Sparse View Synthesis using Gaussian Splatting [6.506706621221143]
  3D Splatting (3DGS)は3Dシーンをリアルタイムにレンダリングして新しいビュー合成を実現した。 この技術は3次元幾何学を正確に再構築するために、密集したトレーニングビューを必要とする。 スパーストレーニングビューのシナリオにおける3DGSの限界に対処するために設計された,効率的なトレーニングパイプラインであるSparseGSを紹介した。
  論文  参考訳（メタデータ） (2023-11-30T21:38:22Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。