論文の概要: Packet-Loss Robust 3D Gaussian Compression via Atomic Packaging and GNN-based Error Concealment
- arxiv url: http://arxiv.org/abs/2607.17916v1
- Date: Mon, 20 Jul 2026 13:13:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.631733
- Title: Packet-Loss Robust 3D Gaussian Compression via Atomic Packaging and GNN-based Error Concealment
- Title（参考訳）: Packet-Loss Robust 3D Gaussian Compression by Atomic Packaging and GNN-based Error Concealment
- Abstract要約: パケットロスによるロバストな3DGS伝送とエラー隠蔽フレームワークを提案する。
ハッシュグリッド前処理にクロスアテンションを持つ軽量な2層グラフニューラルネットワークは、高周波特性残基を洗練する。
BungeeNeRF, Mip-NeRF 360, Tanks and Temples で20%以下のランダムパケットロス実験を行った結果, 提案手法は非連続伝送よりも大幅に改善されていることがわかった。
- 参考スコア（独自算出の注目度）: 3.679539308969595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) and recent compression schemes such as HAC++ enable high-fidelity real-time neural rendering, but their bitstreams are fragile under packet loss during network streaming. Existing compression methods often separate correlated anchor attributes into independent streams, so losing one packet can create attribute-inconsistent broken anchors and severe rendering artifacts. We propose a packet-loss robust 3DGS transmission and error concealment framework. On the encoder side, anchor-level atomic packaging jointly encapsulates all attributes of each anchor, converting corrupted-attribute failures into clean missing-anchor erasures. Stratified random grouping further disperses packet losses across the spatial domain to avoid large contiguous voids. On the decoder side, we formulate recovery as prior-aware attribute inpainting. A Context-Aware Residual Interpolation (CARI) branch uses hash-grid prior predictions and neighboring residuals to build a robust baseline, while a lightweight two-layer graph neural network with cross-attention over hash-grid priors refines high-frequency attribute residuals. Attribute-wise confidence control falls back to interpolation when learned predictions are unreliable. Experiments under 20 percent random packet loss on BungeeNeRF, Mip-NeRF 360, and Tanks and Temples show that the proposed method substantially improves over no-concealment transmission and limits average PSNR degradation to about 3 dB relative to the lossless HAC++ reference.
- Abstract（参考訳）: 3D Gaussian Splatting(3DGS)と最近のHAC++のような圧縮スキームは、高忠実なリアルタイムニューラルネットワークレンダリングを実現するが、そのビットストリームは、ネットワークストリーミング中にパケットロスによって脆弱である。
既存の圧縮手法では、関連付けられたアンカー属性を独立したストリームに分離することが多いため、1つのパケットを失うと、属性に一貫性のないアンカーと、厳密なレンダリングアーティファクトが生成される。
パケットロスによるロバストな3DGS伝送とエラー隠蔽フレームワークを提案する。
エンコーダ側では、アンカーレベルの原子パッケージングが各アンカーの全ての属性を共同でカプセル化し、破損した属性の失敗をクリーンな欠落したアンカーの消去に変換する。
階層化されたランダムグルーピングは、大きな連続した空隙を避けるために、空間領域全体でパケット損失をさらに分散させる。
デコーダ側では、リカバリを事前認識属性の塗装として定式化する。
Context-Aware Residual Interpolation (CARI)ブランチは、ハッシュグリッド前の予測と隣接する残差を使って堅牢なベースラインを構築する。
属性ワイドの信頼性制御は、学習した予測が信頼できない場合に補間される。
BungeeNeRF, Mip-NeRF 360, Tanks and Templesの20パーセント以下のランダムパケット損失実験により, 提案手法は非連続伝送よりも大幅に改善され, 平均PSNR劣化は損失のないHAC++基準と比較して約3dBに制限されることが示された。
関連論文リスト
- Every Packet Counts: Dispersing Information for Loss-Resilient Learned Image Compression [18.227887897767385]
パケットロスに対処するエンドツーエンドのロス耐性画像圧縮方式を提案する。
本手法は, 復元品質と安定性の両面において, 既存手法より一貫して優れる。
特に、一様ランダム損失のみで訓練されたモデルでは、ギルバート・エリオットチャネルでモデル化されたバースト損失を一般化する。
論文 参考訳（メタデータ） (2026-08-11T16:01:03Z) - Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression [21.98753379933845]
Proteusは、2Dレンジイメージで動作する学習済みLiDARである。
Proteusは70%のビットストリーム切断を許容する一方で、確立された標準よりも優れています。
論文 参考訳（メタデータ） (2026-08-01T14:24:08Z) - CodecSplat: Ultra-Compact Latent Coding for Feed-Forward 3D Gaussian Splatting [53.50198425973128]
フィードフォワード3Dガウススプラッティングのための超コンパクト遅延符号化フレームワークであるCodecSplatを紹介する。
CodecSplatは23.56-26.36 dB、24.76-27.05 dB、PSNRは20.00-10777、PSNRは3.37-12、PSNRは3.37-12である。
論文 参考訳（メタデータ） (2026-05-25T08:17:35Z) - ZID-Net: Zero-Inference Diffusion Prior Decoupling Network for Single Image Dehazing [10.634107398163676]
単一画像のデハージングは、回復品質と計算効率のトレードオフによって制約されることが多い。
ZID-Netは、フィードフォワード推論から拡散監視を明示的に分離する新しいフレームワークである。
ZID-Netは、合成RESIDEデータセット上で40.75dBのPSNRを達成し、実世界のデータセットで1.13dBのゲインで既存のメソッドを上回ります。
論文 参考訳（メタデータ） (2026-04-26T13:44:25Z) - 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) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。
本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。
我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
論文 参考訳（メタデータ） (2025-12-11T12:20:31Z) - Distributed Training under Packet Loss [8.613477072763404]
信頼性の低いコネクションを利用するとレイテンシが低下するが、パケットを落としてモデルの精度と収束を犠牲にする可能性がある。
そこで本研究では,パケット損失の正確性と収束性を保証する原理的なエンドツーエンドソリューションを提案する。
この研究は、コミュニケーション効率の高いプロトコルと、現代の大規模モデルの訓練で要求される精度と保証のギャップを埋めるものである。
論文 参考訳（メタデータ） (2025-07-02T11:07:20Z) - HAC++: Towards 100X Compression of 3D Gaussian Splatting [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、高速レンダリング速度と高忠実さを誇っている。
しかし、ガウスの点雲(あるいは論文のアンカー)のスパースで非組織的な性質は、圧縮の課題を提起している。
本研究では,非組織型アンカーと構造化ハッシュグリッドの関係を利用したHAC++を提案する。
論文 参考訳（メタデータ） (2025-01-21T16:23:05Z) - 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。