論文の概要: SPARE-GS: Structural Parsimony and Resource Efficiency for 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2607.16624v1
- Date: Sat, 18 Jul 2026 03:55:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.199857
- Title: SPARE-GS: Structural Parsimony and Resource Efficiency for 3D Gaussian Splatting
- Title（参考訳）: SPARE-GS:3次元ガウスめっきにおける構造解析と資源効率
- Abstract要約: 3次元ガウス散乱(3DGS)は,高忠実な新規ビュー合成を実現する。
しかし、その訓練効率と表現のコンパクトさは、過剰な原始的な増殖によって妨げられている。
SPARE-GSは3次元ガウス原始体の分布を局所的な表現要求に動的に整合させるフレームワークである。
- 参考スコア（独自算出の注目度）: 70.5411715784827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) achieves high-fidelity novel view synthesis in real-time; however its training efficiency and representation compactness are hindered by excessive primitive proliferation. To address this challenge, we formulate the structural evolution of 3DGS as a global budget-constrained optimization problem and derive an optimality condition, which requires the marginal utility of structural resources to be balanced across spatial regions under a finite primitive budget. Based on this formulation, we propose SPARE-GS, a general plug-and-play framework that dynamically aligns the distribution of 3D Gaussian primitives with regional representational demand. SPARE-GS estimates capacity-normalized regional demand, assigns adaptive target quotas, and uses regional budget deviations to coordinate densification, pruning and adaptive termination toward a more balanced structural allocation. Extensive experiments across standard, accelerated, and structure-enhanced 3DGS pipelines demonstrate that SPARE-GS reduces the Gaussian count and training time by an average of 30.38% and 23.81%, respectively, while improving the average PSNR. Moreover, the resulting compact representations reduce downstream processing time and improve the rate-distortion performance of diverse compression and pruning methods, demonstrating the broad applicability of global structural budget regulation.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は実時間で高忠実な新規ビュー合成を実現するが、その訓練効率と表現のコンパクトさは過剰な原始的な増殖によって妨げられる。
この課題に対処するために、3DGSの構造的進化をグローバルな予算制約付き最適化問題として定式化し、有限の原始的予算の下で空間領域間でのバランスをとるために、構造資源の限界効用を必要とする最適条件を導出する。
この定式化に基づいて,3次元ガウス原始体の分布を局所的な表現要求に動的に整合させる汎用的なプラグアンドプレイフレームワークであるSPARE-GSを提案する。
SPARE-GSは、キャパシティ正規化された地域需要を見積もり、アダプティブターゲットクォータを割り当て、よりバランスの取れた構造割り当てに対して、デシフィケーション、プルーニングおよびアダプティブ終了を調整するために、地域予算偏差を使用する。
標準的な3DGSパイプライン、加速された3DGSパイプラインの広範な実験は、SPARE-GSが平均30.38%、訓練時間を23.81%削減し、平均PSNRを改善したことを示している。
さらに、結果として得られるコンパクトな表現は、下流処理時間を短縮し、多種多様な圧縮および刈り取り方式の速度歪み性能を改善し、グローバルな構造的予算規制の適用可能性を示している。
関連論文リスト
- Targeted Structure Completion for Sparse-View 3D Reconstruction in Autonomous Driving [13.279942633870702]
細かな低オーバーラップ観測から3Dシーン構造を再構築することは、自動運転の基本的な課題である。
提案するFocusGSは,このパラダイムをグローバルな密度化から,対象とする構造的完備化へシフトさせるフレームワークである。
FocusGSは、運転中心ベンチマークの最先端性能を向上し、優れた効率品質のトレードオフを実現していることを示す。
論文 参考訳（メタデータ） (2026-07-06T04:31:45Z) - 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) - LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。
本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。
実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
論文 参考訳（メタデータ） (2026-03-30T13:39:35Z) - HeroGS: Hierarchical Guidance for Robust 3D Gaussian Splatting under Sparse Views [33.41171755717418]
画像,特徴,パラメータレベルをまたいだ階層的ガイダンスを確立する統一的なフレームワークであるHeroGSを提案する。
我々は,HeroGSが高忠実度再構築を実現し,スパースビュー条件下での最先端のベースラインを一貫して超えることを示す。
論文 参考訳（メタデータ） (2026-03-01T13:35:49Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Decomposing Densification in Gaussian Splatting for Faster 3D Scene Reconstruction [5.929129351088044]
3D Gaussian Splatting (GS)は、高品質なシーン再構築のための強力な表現として登場し、魅力的なレンダリング品質を提供している。
本稿では, 細部保存と計算効率のバランスをとる上でのそれらの役割を明らかにするとともに, デンシフィケーションフェーズにおける分割・クローン操作の包括的解析について述べる。
本稿では2次元画像のエネルギー密度に基づいて徐々に解像度を向上するエネルギー誘導型粗度多分解能トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-27T11:47:20Z) - RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。
本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。
復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文 参考訳（メタデータ） (2025-06-28T08:02:54Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - 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) - Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。
4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。
その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
論文 参考訳（メタデータ） (2025-04-08T07:15:58Z)
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。