論文の概要: Locality-Aware Density Control for Efficient Gaussian-based Image Representation

• arxiv url: http://arxiv.org/abs/2607.17896v1
• Date: Mon, 20 Jul 2026 12:44:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.617592
• Title: Locality-Aware Density Control for Efficient Gaussian-based Image Representation
• Title（参考訳）: 効率の良いガウス画像表現のための局所性認識密度制御
• Authors: Jiacong Chen, Qingyu Mao, Xiandong Meng, Shuai Liu, Chao Li, Fanyang Meng, Youneng Bao, Yongsheng Liang,
• Abstract要約: 2次元ガウススプラッティングは、その明示的な定式化、高速化、良好な復号効率により、画像表現の魅力的な方向である。 既存の手法では最適化中に効率よくガウスの容量を割り当てることができない。 そこで我々は, 局所性認識密度制御 (LocoADC) を提案し, 過度に再構成された領域における不十分な割り当てと過度に再構成された領域における冗長な割り当てに対処する。
• 参考スコア（独自算出の注目度）: 46.781101663441554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 2D Gaussian Splatting is an attractive direction for image representation due to its explicit formulation, fast rasterization, and favorable decoding efficiency. The representation quality of this paradigm depends on the proper allocation of Gaussian capacity to the demanding regions. However, existing methods fail to allocate Gaussian capacity efficiently during optimization: under-reconstructed content is often refined in a fragmented pixel-wise manner, while neighboring optimized Gaussians with similar attributes are redundantly retained. This inefficiency motivates the need for a density control framework that jointly addresses insufficient allocation in under-reconstructed regions and redundant allocation in over-reconstructed regions. Our key insight is that this framework should exploit two complementary forms of locality: the local continuity of reconstruction errors in image space for improved Gaussian allocation, and the local similarity of neighboring Gaussians in Gaussian space for redundant elimination. Based on this insight, we propose Locality-Aware Density Control (LocoADC), a plug-and-play framework that improves Gaussian capacity utilization through Region-wise Gaussian Densification (RGD) and Similarity-Driven Gaussian Merging (SDGM) strategies, together with a local color consistency constraint for more reliable merging. Extensive experiments on diverse datasets show that LocoADC consistently improves multiple baselines by enabling more effective local Gaussian allocation, including a 2.93 dB PSNR gain over GI on the CLIC dataset under the same 30k Gaussian budget. Code is available at: \textit{https://github.com/ChenJiaCong-1005/LocoADC}.
• Abstract（参考訳）: 2次元ガウススプラッティングは、その明示的な定式化、高速ラスタ化、良好な復号化効率により、画像表現の魅力的な方向である。 このパラダイムの表現の質は、要求される領域へのガウスのキャパシティの適切な割り当てに依存している。 しかし、既存の手法では最適化中にガウスの容量を効率的に割り当てることができない: 未再構成のコンテンツはしばしば断片化されたピクセル単位で洗練され、類似した属性を持つ隣接する最適化ガウスは冗長に保持される。 この非効率性は、過度に再構成された領域における不十分な割り当てと過度に再構成された領域における冗長な割り当てに共同で対処する密度制御フレームワークの必要性を動機付けている。 我々の重要な洞察は、このフレームワークは、画像空間における再構成誤差の局所的連続性によるガウス割当の改善と、余剰除去のためにガウス空間内の隣接するガウスの局所的類似性という2つの相補的な局所性を利用するべきであるということである。 この知見に基づき,RGD と類似性駆動型ガウスマージング (SDGM) 戦略により,より信頼性の高いマージングのためのローカルカラーコントラスト制約とともに,ガウスのキャパシティ利用を改善するプラグイン・アンド・プレイ・フレームワークであるLocoADCを提案する。 多様なデータセットに関する大規模な実験により、LocoADCはより効果的な局所ガウス割り当てを可能にし、同じ30kガウス予算の下でCLICデータセット上でのGIよりも2.93dBのPSNRゲインを含む、複数のベースラインを一貫して改善していることが示された。 コードは以下の通り。 \textit{https://github.com/ChenJiaCong-1005/LocoADC}。

関連論文リスト

• Disambiguating 2D-3D Correspondences in Gaussian Splatting-based Feature Fields for Visual Localization [36.99946317601775]
  本稿では,2D-3Dマッチングに光度最適化された特徴場(GSFF)が本質的に不適であることを示す。 これらの問題に対処するために,ガウス属性を利用して2D-3D対応を曖昧にする特殊な局所化フレームワークであるSplitGS-Locを提案する。
  論文  参考訳（メタデータ） (2026-05-08T07:01:30Z)
• 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)
• F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
  本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。 本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。 実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-22T16:03:56Z)
• BalanceGS: Algorithm-System Co-design for Efficient 3D Gaussian Splatting Training on GPU [14.147819226084627]
  3DGSは有望な3D再構築技術として登場した。 3DGSの効率的なトレーニングのためのアルゴリズムとシステムの共同設計である BalanceGS を紹介する。 提案手法は、NVIDIA A100 GPUにおける1.44$timesのトレーニングスピードアップを実現し、品質劣化を無視できる。
  論文  参考訳（メタデータ） (2025-10-16T11:16:58Z)
• Gradient-Direction-Aware Density Control for 3D Gaussian Splatting [7.234328187876289]
  3D Gaussian Splatting (3DGS) は、明示的なシーン表現による新規なビュー合成が著しく進歩している。 既存のアプローチは、複雑なシナリオで2つの重要な制限を示す。 本稿では勾配方向対応型適応密度制御フレームワークGDAGSを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:12:54Z)
• GaussianFormer-2: Probabilistic Gaussian Superposition for Efficient 3D Occupancy Prediction [55.60972844777044]
  3Dセマンティック占有予測は、堅牢な視覚中心の自律運転において重要な課題である。 既存のほとんどの手法は、密度の高いグリッドベースのシーン表現を利用しており、運転シーンの空間的空間性を見渡している。 本稿では,各ガウス分布をその周辺領域の確率分布として解釈する確率論的ガウス重ね合わせモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:59:58Z)
• PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
  PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。 提案手法は,様々な視点によく一般化した最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:58Z)
• 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)

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。