論文の概要: ECoNGS: Efficient Compressive Neural Gaussian Splats for Volume Visualization
- arxiv url: http://arxiv.org/abs/2607.18466v1
- Date: Mon, 20 Jul 2026 19:35:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.233422
- Title: ECoNGS: Efficient Compressive Neural Gaussian Splats for Volume Visualization
- Title（参考訳）: ECoNGS: 容積可視化のための効率的な圧縮型ニューラルガウススプラット
- Abstract要約: 本稿では,VolVisシーン表現のための効率的な圧縮型ニューラルガウススプレイティングフレームワークであるECoNGSを提案する。
ECoNGSは軽量ニューラルネットワークを使用して、明示的なアンカーポイントから暗黙的で編集可能なガウススプレートを動的に予測する。
ECoNGSはPSNRで最大2.2dB、モデルサイズを最大6.1倍、トレーニング時間を最大5.9倍に改善する。
- 参考スコア（独自算出の注目度）: 7.438825130078976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in differentiable Gaussian splatting have highlighted the potential of primitive-based approaches as alternative scene representations for interactive, high-quality, volume visualization (VolVis) of large datasets. However, the explicit nature of current primitive-based methods, combined with isolated optimization for each VolVis scene, results in redundant, non-compact representations. We present ECoNGS, an efficient compressive neural Gaussian splatting framework for VolVis scene representation. ECoNGS employs lightweight neural networks to dynamically predict implicit, editable Gaussian splats from explicit anchor points, effectively combining model compactness and parameter efficiency of implicit representations with high-performance rendering of explicit primitives. We explore a joint learning strategy that clusters geometrically similar scenes and shares parameters across them, significantly reducing overall training time and model size while maintaining reconstruction fidelity. To achieve a more compact scene representation, we further compress the explicit anchor attributes using a neural entropy model that estimates their probability distributions, enabling compact storage via entropy coding. We systematically investigate Gaussian initialization strategies and propose a simple yet effective scheme tailored for VolVis scenes, improving reconstruction accuracy and accelerating convergence. We evaluate ECoNGS qualitatively and quantitatively across various univariate and multivariate VolVis scenes, highlighting its superior performance over prior methods in training time, reconstruction quality, and model size. In particular, compared with the prior method iVR-GS, ECoNGS improves reconstruction quality by up to 2.2 dB in PSNR while reducing the model size by up to 6.1x and the training time by up to 5.9x. The code is available at https://github.com/TouKaienn/ECoNGS.
- Abstract（参考訳）: 微分可能なガウススプラッティングの最近の進歩は、大規模データセットの対話的で高品質なボリューム視覚化(VolVis)のための代替シーン表現として、プリミティブベースのアプローチの可能性を強調している。
しかし、現在のプリミティブベースのメソッドの明示的な性質は、各VolVisシーンの分離された最適化と相まって、冗長で非コンパクトな表現をもたらす。
本稿では,VolVisシーン表現のための効率的な圧縮型ニューラルガウススプレイティングフレームワークであるECoNGSを提案する。
ECoNGSは、暗黙的かつ編集可能なガウス的スプレートを明示的なアンカーポイントから動的に予測するために、軽量ニューラルネットワークを用いており、暗黙的表現のモデルコンパクト性とパラメータ効率と、明示的なプリミティブの高性能なレンダリングを効果的に組み合わせている。
我々は、幾何学的に類似したシーンをクラスタリングし、それら間でパラメータを共有する共同学習戦略を探求し、再構築の忠実さを維持しながら、全体のトレーニング時間とモデルサイズを大幅に削減する。
よりコンパクトなシーン表現を実現するために,確率分布を推定するニューラルエントロピーモデルを用いて,明示的なアンカー属性を圧縮し,エントロピー符号化によるコンパクトな記憶を可能にする。
ガウスの初期化戦略を体系的に検討し、VolVisシーンに適した簡易かつ効果的なスキームを提案し、再現精度を改善し、収束を加速する。
各種単変量および多変量VolVisシーンにおけるECoNGSの質的,定量的な評価を行い,トレーニング時間,再現品質,モデルサイズにおいて,従来手法よりも優れた性能を示した。
特に、以前のiVR-GSと比較して、ECoNGSはPSNRで最大2.2dB、モデルサイズを最大6.1倍、トレーニング時間を最大5.9倍に改善している。
コードはhttps://github.com/TouKaienn/ECoNGS.comで入手できる。
関連論文リスト
- Compact Neural Appearance Models for Efficient Gaussian Splatting [1.579851447355843]
低次球面調和(SH)を用いた3次元ガウス・スプラッティングのような原始的基礎放射場は、一般的にビュー依存の外観をモデル化する
本稿では、SHと最近の球面外見モデルとの徹底的なエンドツーエンド比較について述べる。
我々は、小さな共有パイプラインを使用して、コンパクトなプリミティブごとの潜伏符号をデコードする暗黙の代替手法を導入する。
論文 参考訳（メタデータ） (2026-09-04T15:18:54Z) - Dehaze-GaussianImage: Zero-Shot Dehazing via Efficient 2D Gaussian Splatting Representation [25.472500911155347]
Dehaze-GaussianImageは、2次元ガウススプラッティングを画像デハージング領域に導入する最初のゼロショットフレームワークである。
具体的には,大気散乱モデルをガウスパラメータ空間に埋め込んだゼロショット学習手法を提案する。
実験により, 提案手法は, 完全に教師のない方法で, 最先端(SOTA)の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2026-06-15T03:25:56Z) - Neural Network Optimization Reimagined: Decoupled Techniques for Scratch and Fine-Tuning [49.751529745537546]
我々はDualOptを提案する。DualOptは、スクラッチからトレーニングに適した最適化技術を分離する新しいアプローチである。
スクラッチからのトレーニングでは、収束と一般化の両面を強化するために設計されたリアルタイムな層ワイド・ウェイト・デポジットを導入する。
我々は、異なる下流タスクの様々な要求に適応して、レイヤ単位の重量減衰を拡張して、レイヤ間のロールバックレベルを動的に調整する。
論文 参考訳（メタデータ） (2026-04-21T06:27:18Z) - Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives [14.295266671241004]
3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングをフォトリアリスティックな品質で実現した。
3DGSは高い忠実性を達成するために多くのプリミティブを必要とすることが多い。
そこで我々は, 刈り取りタイミングと精錬間隔を決定する, 効率的で統合された組立型刈り取り戦略を提案する。
また,1つのプリミティブにおいて正と負の両密度を共同でモデル化する3次元ガウス差分プリミティブも導入する。
論文 参考訳（メタデータ） (2026-02-27T16:12:58Z) - HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。
提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。
その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
論文 参考訳（メタデータ） (2025-06-24T03:54:40Z) - Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。
また,GA-Planeは既存の表現にも適用可能であることを示す。
論文 参考訳（メタデータ） (2024-11-20T18:21:58Z) - Mini-Splatting2: Building 360 Scenes within Minutes via Aggressive Gaussian Densification [4.733612131945549]
Mini-Splatting2は最適化時間、ガウス数、レンダリング品質のバランスの取れたトレードオフを実現する。
我々の研究は、現実世界のアプリケーションにおいて、より効率的で高品質な3Dシーンモデリングのステージを定めている。
論文 参考訳（メタデータ） (2024-11-19T11:47:40Z) - DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。
大規模な環境下では、復元の質が悪くなる場合が少なくない。
本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文 参考訳（メタデータ） (2024-11-19T07:51:44Z) - 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) - MVSGaussian: Fast Generalizable Gaussian Splatting Reconstruction from Multi-View Stereo [54.00987996368157]
MVSGaussianは、Multi-View Stereo(MVS)から導かれる新しい一般化可能な3次元ガウス表現手法である。
MVSGaussianは、シーンごとにより良い合成品質でリアルタイムレンダリングを実現する。
論文 参考訳（メタデータ） (2024-05-20T17:59:30Z) - Mini-Splatting: Representing Scenes with a Constrained Number of Gaussians [4.733612131945549]
本研究では,ガウスの制約の多いシーンを効率よく表現することの課題について検討する。
本稿では, ブラース分割や深部再初期化, 交差点保存・サンプリングによる簡易化など, 密度化戦略を紹介する。
我々のMini-Splattingは、オリジナル化パイプラインとシームレスに統合され、ガウス・スプレイティングに基づく将来の研究の強力なベースラインを提供する。
論文 参考訳（メタデータ） (2024-03-21T06:34:46Z) - Set Based Stochastic Subsampling [85.5331107565578]
本稿では,2段階間ニューラルサブサンプリングモデルを提案する。
画像分類,画像再構成,機能再構築,少数ショット分類など,様々なタスクにおいて,低いサブサンプリング率で関連ベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-25T07:36:47Z)
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。