論文の概要: JSGS: JPEG State-Guided Supervision for 3D Gaussian Splatting from Mixed-Quality Views
- arxiv url: http://arxiv.org/abs/2608.08659v1
- Date: Sun, 09 Aug 2026 12:05:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.909583
- Title: JSGS: JPEG State-Guided Supervision for 3D Gaussian Splatting from Mixed-Quality Views
- Title（参考訳）: JSGS: JPEG State-Guided Supervision for 3D Gaussian Splatting from Mixed-Quality Views
- Abstract要約: 混合品質ビュー(JSGS)を用いた3次元ガウス平滑化のためのJPEG State-Guided Supervisionを提案する。
JSGSは、対応するデコードされた入力画像とドメインマッチングの比較のために、各レンダリングビューをエンコードし、デコードする。
JSGSは最低平均LPIPSと最高平均SSIMを各スケジュールで達成し、レンダリングはおよそ150FPSである。
- 参考スコア（独自算出の注目度）: 5.922899454133958
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Standard 3D Gaussian Splatting (3DGS) assumes that every input image faithfully samples scene radiance. However, mixed-quality JPEG images violate this assumption because compression-induced blocking and ringing artifacts can corrupt updates to Gaussians shared across views. To address this problem, we propose JPEG State-Guided Supervision for 3D Gaussian Splatting from Mixed-Quality Views (JSGS). JSGS uses luminance and chrominance quantization tables stored in each JPEG file to construct a view-specific JPEG observation operator. This operator encodes and decodes each rendered view for domain-matched comparison with the corresponding decoded input image. The luminance quantization table supplies continuous weights within a fixed middle frequency band. A loss in the low frequency band anchors coarse structure, while the weighted middle frequency loss redistributes supervision among the selected DCT coordinates. The resulting block disagreement also guides the Gaussian Controller to regularize small primitives with high opacity in disagreement regions. Across seven scenes and three mixed-quality schedules, JSGS achieves the lowest mean LPIPS and the highest mean SSIM under every schedule while rendering at approximately 150 FPS. Code: https://github.com/Jayden-Cui/JSGS.
- Abstract（参考訳）: Standard 3D Gaussian Splatting (3DGS) では、すべての入力画像がシーン放射を忠実にサンプリングしていると仮定している。
しかし、圧縮によるブロッキングやリングアーティファクトがビュー間で共有されるガウシアンへの更新を損なう可能性があるため、ミックスクオリティのJPEGイメージはこの前提に反する。
この問題を解決するために,JSGS (Mixed-Quality Views) による3次元ガウス分割のためのJPEG State-Guided Supervisionを提案する。
JSGSは、各JPEGファイルに格納された輝度および色度量子化テーブルを使用して、ビュー固有のJPEG観測演算子を構築する。
この演算子は、対応するデコードされた入力画像とドメインマッチングされた比較のために、各描画ビューを符号化してデコードする。
輝度量子化テーブルは、固定中周波数帯域内で連続的な重みを供給する。
低周波帯域の損失は粗い構造をアンカーし、重み付き中周波損失は選択したDCT座標の監督を再分配する。
結果として生じるブロックの不一致は、ガウス管制官が不一致領域で高い不透明度で小さなプリミティブを正規化するのを導く。
7つのシーンと3つの混合品質のスケジュールにおいて、JSGSは平均LPIPSと最高SSIMを各スケジュールで達成し、レンダリングはおよそ150FPSである。
コード:https://github.com/Jayden-Cui/JSGS
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) - IBGS: Image-Based Gaussian Splatting [17.07390802338029]
3D Gaussian Splatting (3DGS) は、新しいビュー合成(NVS)の高速かつ高品質な方法として最近登場した。
我々は、高解像度のソース画像を細部やビュー固有の色モデリングに活用する効率的な画像ベースガウススプラッティングを提案する。
標準NVSベンチマーク実験では,ストレージのフットプリントを増大させることなく,ガウススプラッティング手法のレンダリング精度において,本手法が大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-11-18T11:03:27Z) - TC-GS: Tri-plane based compression for 3D Gaussian Splatting [28.502636841299356]
3D Gaussian Splatting (3DGS)は、新しいビュー合成のための顕著なフレームワークとして登場し、高い忠実度と高速なレンダリング速度を提供する。
本稿では, ガウス属性を符号化し, 圧縮に属性の分布を活かしたよく構造化された三面体を提案する。
我々のアプローチは、複数のデータセットにわたる広範な実験において、SOTA 3D Gaussian Splatting圧縮作業と同等かそれ以上の結果を得た。
論文 参考訳（メタデータ） (2025-03-26T04:26:22Z) - Pushing Rendering Boundaries: Hard Gaussian Splatting [72.28941128988292]
3D Gaussian Splatting (3DGS) は,NVS(Noven View Synthesis) をリアルタイムなレンダリング方式で実現した。
我々はHGSと呼ばれるハードガウシアンスプラッティングを提案し、これは多視点的な位置勾配とレンダリング誤差を考慮し、ハードガウシアンを成長させる。
本手法は,リアルタイムの効率を保ちながら,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） (2024-12-06T07:42:47Z) - NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。
我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文 参考訳（メタデータ） (2024-11-25T07:57:17Z) - JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。
提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-04-03T03:28:04Z) - 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) - FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization [67.47895278233717]
周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。
FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
論文 参考訳（メタデータ） (2024-03-11T17:00:27Z) - Compact 3D Gaussian Representation for Radiance Field [14.729871192785696]
本研究では,3次元ガウス点数を削減するための学習可能なマスク戦略を提案する。
また、格子型ニューラルネットワークを用いて、ビュー依存色をコンパクトかつ効果的に表現することを提案する。
我々の研究は、3Dシーン表現のための包括的なフレームワークを提供し、ハイパフォーマンス、高速トレーニング、コンパクト性、リアルタイムレンダリングを実現しています。
論文 参考訳（メタデータ） (2023-11-22T20:31:16Z) - Learning to Improve Image Compression without Changing the Standard
Decoder [100.32492297717056]
本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。
具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。
JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
論文 参考訳（メタデータ） (2020-09-27T19:24:42Z)
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。