論文の概要: G$^2$ARD-GS: Geometry-Guided Anchor-Regularized Gaussian Splatting Distillation
- arxiv url: http://arxiv.org/abs/2608.05704v1
- Date: Thu, 06 Aug 2026 07:46:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.845011
- Title: G$^2$ARD-GS: Geometry-Guided Anchor-Regularized Gaussian Splatting Distillation
- Title（参考訳）: G$^2$ARD-GS:Geometry-Guided Anchor-regularized Gaussian Splatting Distillation
- Abstract要約: G$2$ARD-GSは、密度の強いガウスをコンパクトな表現に変換する幾何学誘導蒸留法である。
MatrixCityでは、G$2$ARD-GSがPSNR、SSIM、LPIPSとマッチする5倍の$--$30倍の圧縮予算を達成している。
凍結幾何として再利用された場合、コンパクトモデルはPUP 3D-GSよりも3.7$--4.9$,dBの軌道外適応を改善する。
- 参考スコア（独自算出の注目度）: 6.416507651682424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dense colored LiDAR maps provide accurate city-scale geometry, but lifting them into 3D Gaussian Splatting (3DGS) retains millions of primitives, making the resulting models costly to store, transmit, render, and adapt. Aggressive primitive reduction alleviates this burden, but can remove the local surface support needed for stable novel-view synthesis and downstream geometric use. We introduce G$^2$ARD-GS, a geometry-guided distillation method that converts a dense Gaussian prior instantiated either as a training-free point-cloud lift or a trained GS model into a compact, reusable representation. G$^2$ARD-GS progressively consolidates the prior into surface-aware representatives, then recovers appearance on the resulting fixed topology under construction-time anchor constraints, with no primitives added or removed during recovery. Under limited supervision, geometry-aware view selection allocates the available view budget. On MatrixCity, G$^2$ARD-GS achieves the best PSNR, SSIM, and LPIPS across matched $5\times$--$30\times$ compression budgets, outperforming PUP by $3.2$--$6.8$,dB in PSNR. When reused as frozen geometry, the compact model improves off-trajectory appearance adaptation by $3.7$--$4.9$,dB over PUP 3D-GS and preserves image-to-model registration accuracy on Cambridge KingsCollege at $30\times$ compression. Project page: https://patrick1159.github.io/gardGS-page/.
- Abstract（参考訳）: 複雑な色のLiDARマップは正確な都市規模の地形を提供するが、それを3Dガウススプラッティング(3DGS)に持ち上げると、数百万のプリミティブが残され、結果としてモデルが保存、送信、レンダリング、適応するのにコストがかかる。
アグレッシブ・プリミティブ・リダクションは、この負担を軽減するが、安定なノベルビュー合成と下流幾何学的使用に必要な局所的な表面サポートを取り除くことができる。
G$^2$ARD-GSは、トレーニング不要のポイントクラウドリフトまたはトレーニング済みGSモデルをコンパクトで再利用可能な表現に変換する幾何学誘導蒸留法である。
G$^2$ARD-GSは、前者を徐々に表面認識の代表に集約し、建設時アンカー制約の下で固定されたトポロジーの外観を回復する。
限られた監督の下で、幾何対応のビュー選択は利用可能なビュー予算を割り当てる。
MatrixCityでは、G$^2$ARD-GSはPSNRで最高のPSNR、SSIM、LPIPSを5\times$--$30\times$圧縮予算で達成し、PSNRでPSUPを3.2$--$6.8$dBで上回った。
凍結幾何として再利用された場合、コンパクトモデルはPUP 3D-GSよりも3.7$--4.9$,dBの軌道外外観適応を改善し、Cambridge KingsCollege上の画像からモデルへの登録精度を30\times$圧縮で保持する。
プロジェクトページ:https://patrick1159.github.io/gardGS-page/。
関連論文リスト
- ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。
12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
論文 参考訳（メタデータ） (2026-07-22T17:54:44Z) - $\text{VG}^2$GT: Voxel-Gaussian Splatting Visual Geometry Grounded Transformer [6.390470514442811]
$textVG2$GTはVoxel-Gaussian Splatting Visual Geometry-Grounded Transformerである。
$textVG2$GTは、広く使われているDTU、Replica、TAT、ScanNetデータセットの現在の最先端メソッドより優れている。
論文 参考訳（メタデータ） (2026-06-01T02:21:28Z) - MMGS: 10$\times$ Compressed 3DGS through Optimal Transport Aggregation based on Multi-view Ranking [6.445070918236315]
本稿では,グローバルな幾何分布マッチング問題としてガウス最適化を定式化する新しいフレームワークを提案する。
提案手法は,バニラ3DGSと比較して,プリミティブのtextbf10$%とトレーニング速度を高速化する textbf10$times$のみを用いて,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2026-05-19T03:33:02Z) - 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) - RegGS: Unposed Sparse Views Gaussian Splatting with 3DGS Registration [10.88046882501116]
RegGSは、未提示のビューを再構築するための3Dガウス登録ベースのフレームワークである。
エントロピー規則化シンクホーンアルゴリズムを実装し, 最適輸送法であるMixture 2-Wasserstein $(textMW_2)$ distanceを効率よく解く。
また、$textMW$ 距離、光度整合性、深度幾何学を統合した3DGS登録モジュールを設計する。
論文 参考訳（メタデータ） (2025-07-10T19:56:08Z) - 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) - 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) - Trim 3D Gaussian Splatting for Accurate Geometry Representation [72.00970038074493]
画像から正確な3次元形状を復元するためにTrim 3D Gaussian Splatting (TrimGS)を導入する。
実験および理論的解析により、比較的小さなガウススケールが複雑な詳細を表現・最適化する非無視因子であることが判明した。
元の3DGSと最先端の2DGSと組み合わせると、TrimGSは一貫してより正確な幾何学と高い知覚品質が得られる。
論文 参考訳（メタデータ） (2024-06-11T17:34:46Z) - SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。
SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
論文 参考訳（メタデータ） (2024-04-29T23:26:30Z) - 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。