論文の概要: DeGS: A Scalable 3DGS Architecture via Decoupled Workload Parsing and Reorganization
- arxiv url: http://arxiv.org/abs/2608.02099v1
- Date: Mon, 03 Aug 2026 11:59:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.519037
- Title: DeGS: A Scalable 3DGS Architecture via Decoupled Workload Parsing and Reorganization
- Title（参考訳）: DeGS: 分離されたワークロード解析と再編成によるスケーラブルな3DGSアーキテクチャ
- Abstract要約: 効率的な3DGS推論のためのスケーラブルなアーキテクチャであるDeGSを提案する。
DeGSは分離したデータフローを利用し、結合された$$-checking、Transmitance check、および標準レンダリングプロセスの$-blendingを連続的なワークロード解析、再編成、ブレンディングステージに再構成する。
DeGSはスループット2.36$times$--7.25$times$ throughput, 1.82$times$--6.02$times$ end-to-end speedup, 1.59$times$--4.42$times$ energy efficiency over state-of-
- 参考スコア（独自算出の注目度）: 20.224282648647012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) has emerged as a leading technique for real-time novel view synthesis, yet existing 3DGS accelerators suffer from poor architectural scalability: increasing the number of PEs leads to marginal performance improvement during rendering. We identify that the root cause is the tightly coupled ``checking-while-blending'' dataflow, which exacerbates PE underutilization caused by spatial redundancy from irregular Gaussian coverage and temporal redundancy from asynchronous pixel-wise termination under parallel execution. To address this issue, we propose DeGS, a scalable architecture for efficient 3DGS inference. To systematically eliminate the redundancies inherent in rendering, DeGS exploits a decoupled dataflow, restructuring the coupled $α$-checking, transmittance checking, and $α$-blending of the standard rendering process into consecutive workload parsing, reorganization, and blending stages. This allows the fragmented, length-variable, and temporal-dependent workloads to be reorganized into compact, conflict-free, and dense workloads prior to blending, thereby significantly improving PE utilization during parallel blending. Implemented in 28 nm technology, DeGS achieves 2.36$\times$--7.25$\times$ throughput, 1.82$\times$--6.02$\times$ end-to-end speedup, and 1.59$\times$--4.42$\times$ energy efficiency over state-of-the-art 3DGS accelerators (GSCore, GBU, GCC) across diverse scenes and resolutions (720p to 8K). Moreover, scaling from 16 to 1024 PEs, DeGS maintains over 80\% PE utilization at high resolutions, significantly outperforming existing accelerators.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、リアルタイムの新規ビュー合成のリードテクニックとして登場したが、既存の3DGSアクセラレータは、アーキテクチャのスケーラビリティの低下に悩まされている。
並列実行時のガウス被覆による空間的冗長化と非同期画素ワイド終了による時間的冗長化により,PE不使用が悪化する「チェックング・トゥ・ブレンディング」データフローが根本原因であることが確認された。
この問題に対処するために,効率的な3DGS推論のためのスケーラブルなアーキテクチャであるDeGSを提案する。
レンダリングに固有の冗長性を体系的に排除するために、DeGSは分離したデータフローを利用して、標準レンダリングプロセスの$α$-checking、Transmitance check、および$α$-blendingを連続的なワークロード解析、再編成、ブレンディングステージに再構成する。
これにより、断片化、長さ可変、時間依存のワークロードを、ブレンディング前にコンパクトでコンフリクトフリーで高密度なワークロードに再編成することで、並列ブレンディング時のPE使用率を大幅に向上することができる。
28nm技術で実装され、DeGSは2.36$\times$--7.25$\times$スループット、 1.82$\times$--6.02$\times$ end-to-end speedup、 1.59$\times$--4.42$\times$ Energy efficiency over state-of-the-the-art 3DGS accelerators (GSCore, GBU, GCC) を様々なシーンで実現した。
さらに16から1024のPEへのスケーリングでは、DeGSは80%以上のPE利用を高解像度で維持し、既存のアクセラレータよりも大幅に優れています。
関連論文リスト
- CaT-GS: Efficient 3DGS Rendering for Large Scale Scenes via Inter-frame Caching and Tile Scheduling [29.831227440392635]
CaT-GSは、新しくて効率的な3DGSレンダリングパイプラインである。
従来の3DGSの最大10倍のスピードアップと、これまでの最先端の手法よりも70%のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-07-20T11:33:51Z) - TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
論文 参考訳（メタデータ） (2026-06-14T16:59:48Z) - Drop-In Perceptual Optimization for 3D Gaussian Splatting [1.6849677514571988]
我々は、複数のデータセットと3DGSフレームワークにまたがる39,320のペアワイドレーティングを含む、3DGSに関する、人類初の大規模主観的研究を行う。
WD-R と呼ばれる Wsserstein Distortion の正規化バージョンが明確な勝者として登場し、高いスプラ数を得ることなく細かいテクスチャを回復できる。
論文 参考訳（メタデータ） (2026-03-23T17:42:49Z) - ProGS: Towards Progressive Coding for 3D Gaussian Splatting [48.49297993424879]
本稿では,3DGSデータをオクツリー構造に整理し,効率的なプログレッシブコーディングを実現する手法を提案する。
ProGSは、元の3DGSフォーマットと比較して、ファイルストレージの45倍の削減を実現し、同時にビジュアルパフォーマンスを10%以上改善している。
論文 参考訳（メタデータ） (2026-03-10T14:13:43Z) - LOBE-GS: Load-Balanced and Efficient 3D Gaussian Splatting for Large-Scale Scene Reconstruction [24.185537949073723]
3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3Dシーン再構築のための効率的な表現として確立されている。
本稿では,ロードバランシングと効率的な3DガウススティングフレームワークであるLoBE-GSを紹介する。
LoBE-GSは、最先端のベースラインよりも、エンドツーエンドのトレーニングタイムが最大2ドル高速になる。
論文 参考訳（メタデータ） (2025-10-02T08:02:06Z) - Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。
しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。
動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
論文 参考訳（メタデータ） (2025-06-09T16:30:48Z) - 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) - 4DGC: Rate-Aware 4D Gaussian Compression for Efficient Streamable Free-Viewpoint Video [56.04182926886754]
3D Gaussian Splatting (3DGS)は、フォトリアリスティック・フリー・ビューポイント・ビデオ(FVV)体験を可能にする大きな可能性を秘めている。
既存の方法は、動的3DGS表現と圧縮を別々に扱うのが一般的である。
本稿では,FVVのRD性能を向上しつつ,ストレージサイズを大幅に削減するレート対応4Dガウス圧縮フレームワークである4DGCを提案する。
論文 参考訳（メタデータ） (2025-03-24T08:05:27Z) - GauRast: Enhancing GPU Triangle Rasterizers to Accelerate 3D Gaussian Splatting [3.275890592583965]
3D Gaussian Splatting (3DGS)は高品質な3Dレンダリング手法である。
3DGSを加速するためのこれまでの取り組みは、相当な統合オーバーヘッドとハードウェアコストを必要とする専用のアクセラレータに依存していた。
本研究では、3DGSパイプラインと高度に最適化された従来のグラフィックスパイプラインの類似性を活用する加速度戦略を提案する。
論文 参考訳（メタデータ） (2025-03-20T19:54:05Z) - HiCoM: Hierarchical Coherent Motion for Streamable Dynamic Scene with 3D Gaussian Splatting [7.507657419706855]
本稿では,HiCoMと呼ばれる3つの重要なコンポーネントを持つ効率的なフレームワークを提案する。
まず、摂動平滑化戦略を用いて、コンパクトで頑健な初期3DGS表現を構築する。
次に、3次元ガウスの固有非一様分布と局所的一貫性を利用する階層的コヒーレント運動機構を導入する。
2つの広く利用されているデータセットを用いて行った実験により、我々のフレームワークは最先端の手法の学習効率を約20%向上することが示された。
論文 参考訳（メタデータ） (2024-11-12T04:40:27Z) - Fast Feedforward 3D Gaussian Splatting Compression [55.149325473447384]
3D Gaussian Splatting (FCGS) は、1つのフィードフォワードパスで3DGS表現を高速に圧縮できる最適化フリーモデルである。
FCGSは圧縮比を20倍以上に向上し、高精細度を維持しながら、ほとんどのシーン毎のSOTA最適化手法を上回ります。
論文 参考訳（メタデータ） (2024-10-10T15:13:08Z)
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。