論文の概要: 3DGBGS: 3D Granular Ball Gaussian Splatting for Compact Novel View Synthesis
- arxiv url: http://arxiv.org/abs/2607.26578v1
- Date: Wed, 29 Jul 2026 07:57:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.574956
- Title: 3DGBGS: 3D Granular Ball Gaussian Splatting for Compact Novel View Synthesis
- Title（参考訳）: 3DGBGS:コンパクトな新しい視点合成のための3Dグラニュラーボールガウス平滑化
- Abstract要約: 3DGBGSは、新規ビュー合成のためのコンパクトアンカーベースのフレームワークである。
SfM点雲を3Dグラニュラーボールに分割し、大きな球を使って滑らかで冗長な領域をコンパクトに表現する。
実験の結果、3DGBGSは初期アンカーを37.1%、最終アンカーを10.0%減らし、モデルストレージを9.8%減らした。
- 参考スコア（独自算出の注目度）: 19.766755978673938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Three-dimensional Gaussian Splatting (3DGS) enables high-quality real-time novel-view synthesis through explicit Gaussian primitives and differentiable rasterization. 3DGS and Granular Ball Computing (GBC), proposed in 2019, share a natural compatibility in adaptive representation. The efficiency of 3DGS partly stems from a coarse-to-fine and on-demand refinement process that draws on the generation principle of GBC. This connection motivates us to further introduce adaptive granular ball organization into anchor-based 3DGS. Existing anchor-based methods typically construct anchors from sparse SfM point clouds through fixed voxelization, which cannot adequately adapt to spatially non-uniform point distributions and leads to a trade-off among anchor count, model compactness, and rendering quality. To address this issue, we propose 3DGBGS (3D Granular Ball Gaussian Splatting), a compact anchor-based framework for novel-view synthesis. 3DGBGS adaptively partitions SfM point clouds into 3D granular balls, using larger balls to compactly represent smooth and redundant regions and smaller balls to preserve complex geometry and local details. Based on this representation, Granular Ball Anchor Initialization (GBAI) uses granular ball centers to initialize compact anchor positions, while the Granular Ball Scale Prior (GBSP) exploits granular ball radii to provide local scale priors for Gaussian generation. Experiments on four benchmarks show that 3DGBGS reduces initial and final anchors by 37.1% and 10.0%, respectively, and model storage by 9.8% on average, while maintaining comparable rendering quality.
- Abstract（参考訳）: 3次元ガウススティング(3DGS)は、明示的なガウス原始体と微分可能なラスタ化を通じて、高品質なリアルタイムノベルビュー合成を可能にする。
2019年に提案された3DGSとGranular Ball Computing (GBC)は、適応表現における自然な互換性を共有している。
3DGSの効率は、部分的にはGBCの生成原理に基づく粗大でオンデマンドな精細化プロセスに起因している。
この接続により、我々はさらに適応的な粒状球組織をアンカーベース3DGSに導入する動機付けとなる。
既存のアンカーベースの手法は、通常、固定ボキセル化によってスパースSfM点雲からアンカーを構成するが、これは空間的に一様でない点分布に適切に適応できず、アンカー数、モデルコンパクト性、レンダリング品質のトレードオフにつながる。
この問題に対処するため、3DGBGS (3D Granular Ball Gaussian Splatting) を提案する。
3DGBGSは、SfM点雲を3Dグラニュラーボールに適応的に分割し、大きな球を使って滑らかで冗長な領域をコンパクトに表現し、小さな球を複雑な幾何学と局所的な詳細を保存する。
この表現に基づいて、グラニュラーボールアンカー初期化(GBAI)はコンパクトアンカー位置を初期化するためにグラニュラーボールセンタを使用し、グラニュラーボールスケール先行(GBSP)はグラニュラーボールラジイを利用してガウス世代のための局所スケール先行を提供する。
4つのベンチマークの実験では、3DGBGSは初期アンカーを37.1%、最終アンカーを10.0%減らし、モデルストレージを9.8%減らした。
関連論文リスト
- NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。
本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
論文 参考訳（メタデータ） (2026-04-16T07:14:07Z) - SparseSplat: Towards Applicable Feed-Forward 3D Gaussian Splatting with Pixel-Unaligned Prediction [30.232615052359673]
SparseSplatはガウス密度をシーン構造と局所情報の豊かさに応じて調整する最初のフィードフォワード3DGSモデルである。
SparseSplatはガウス人のわずか22%で最先端のレンダリング品質を達成でき、ガウス人のわずか1.5%で合理的なレンダリング品質を維持することができる。
論文 参考訳（メタデータ） (2026-04-03T14:48:33Z) - 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) - Gaussian Herding across Pens: An Optimal Transport Perspective on Global Gaussian Reduction for 3DGS [13.03299802566674]
3DGSは、放射場レンダリングの強力な技術として登場したが、通常は数百万の冗長なガウスプリミティブを必要とする。
本稿では,グローバルなガウス混合還元として3DGSのコンパクト化を推し進める,新しい最適輸送視点を提案する。
本手法は,バニラおよび加速3DGSパイプラインの任意の段階に適用可能であり,軽量なニューラルレンダリングへの効率的かつ非依存的な経路を提供する。
論文 参考訳（メタデータ） (2025-06-11T09:04:44Z) - FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。
従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。
本稿では3DGSの弾性推論手法を提案する。
論文 参考訳（メタデータ） (2025-06-04T17:17:57Z) - GaussianSpa: An "Optimizing-Sparsifying" Simplification Framework for Compact and High-Quality 3D Gaussian Splatting [12.342660713851227]
3D Gaussian Splatting (3DGS) は、ガウス関数の連続的な集合を利用して、新しいビュー合成の主流として登場した。
3DGSは、ガウシアンの多さを記憶するためのかなりのメモリ要件に悩まされており、その実用性を妨げている。
コンパクトで高品質な3DGSのための最適化ベースの単純化フレームワークであるGaussianSpaを紹介する。
論文 参考訳（メタデータ） (2024-11-09T00:38:06Z) - CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。
分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。
本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
論文 参考訳（メタデータ） (2024-11-01T17:59:31Z) - 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) - 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) - LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。
ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。
LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
論文 参考訳（メタデータ） (2023-11-28T21:39:20Z)
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。