論文の概要: Compact Feed-Forward 3D Gaussians via Saliency-Guided Primitive Merging
- arxiv url: http://arxiv.org/abs/2608.10712v1
- Date: Tue, 11 Aug 2026 09:32:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.993447
- Title: Compact Feed-Forward 3D Gaussians via Saliency-Guided Primitive Merging
- Title（参考訳）: 塩分誘導原始マージによる小型フィードフォワード3次元ガウス
- Abstract要約: 本稿では,任意のフィードフォワード法から画素単位のプリミティブを取り込み,それをコンパクトでコンテント適応型ガウス集合に集約する構造対応マージパイプラインを提案する。
後処理モジュールとして、パイプラインはバックボーンに依存しず、既存のフィードフォワードメソッドの長所を活用する。
- 参考スコア（独自算出の注目度）: 16.91050950048738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D scene reconstruction, modeling, and rendering are highly relevant for numerous tasks, and 3D Gaussian splatting has become a standard choice in this context. Its feed-forward variants provide fast reconstruction from sparse input views but often produce per-pixel primitives, leading to highly redundant and thus inefficient representations. We present a structure-aware merging pipeline that takes per-pixel primitives from any feed-forward method and consolidates them into a compact, content-adaptive Gaussian set while largely retaining visual quality at just $\frac{1}{20}^\text{th}$ of the Gaussians of a per-pixel method. We group spatially coherent Gaussians of similar appearance into variable-size clusters via adaptive superpixel segmentation guided by a saliency map, which allocates fine segments to textured regions and coarse segments to homogeneous areas. We compress each cluster into a compact latent representation through a learned encoder, then match and consolidate representations across views based on geometric overlap and feature similarity via a learned merger. A level-of-detail decoder then produces the final Gaussians at a controllable resolution, enabling a flexible quality-efficiency trade-off at inference. As a post-processing module, the pipeline is backbone-agnostic, leveraging the strengths of existing feed-forward methods. This leads to better and more robust quality than achieved by previous approaches that target a reduction in primitive count, while providing a highly compact representation, that can be rendered efficiently.
- Abstract（参考訳）: 3Dシーンの再構築、モデリング、レンダリングは、多くのタスクにおいて非常に重要であり、この文脈では3Dガウススプラッティングが標準選択となっている。
フィードフォワードのバリエーションは、スパース入力ビューからの高速な再構築を提供するが、しばしばピクセル単位のプリミティブを生成し、非常に冗長で非効率な表現をもたらす。
我々は、任意のフィードフォワード法から画素単位のプリミティブを取り込み、それをコンパクトなコンテント適応ガウス集合に集約する構造対応のマージパイプラインを提案するが、これは、ピクセル単位のガウス法のちょうど$\frac{1}{20}^\text{th}$で視覚的品質を保っている。
類似した外観の空間的コヒーレントなガウスアンを適応的スーパーピクセルセグメンテーション(英語版)により,サリエンシマップ(英語版)で導かれる適応的スーパーピクセルセグメンテーション(英語版)により可変サイズクラスタに分類し,テクスチャ化された領域に細かなセグメントを割り当て,均質な領域に粗いセグメントを割り当てる。
我々は,各クラスタを学習エンコーダを通じてコンパクトな潜在表現に圧縮し,幾何学的重なりと特徴的類似性に基づいて,ビュー間での表現のマッチングと統合を行う。
その後、レベル・オブ・ディテール・デコーダが制御可能な解像度で最終ガウスアンを生成し、推論時に柔軟な品質効率のトレードオフを可能にする。
後処理モジュールとして、パイプラインはバックボーンに依存しず、既存のフィードフォワードメソッドの長所を活用する。
これにより、プリミティブカウントの削減を目標としつつ、効率よくレンダリングできる非常にコンパクトな表現を提供する以前のアプローチよりも、より良い、より堅牢な品質が得られる。
関連論文リスト
- Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。
再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
論文 参考訳（メタデータ） (2026-04-06T17:24:18Z) - 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) - 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) - Sketch&Patch++: Efficient Structure-Aware 3D Gaussian Representation [5.17519482656693]
本稿では, ガウスを(i) 高周波数, 境界定義特徴を表すSketch Gaussian, (ii) 低周波数, 滑らかな領域をカバーするPatch Gaussianに分類するハイブリッド表現を提案する。
提案手法では,適応的品質駆動型精細化と合わせて,マルチクレータ密度に基づくクラスタリングを用いる。
この構造対応表現は、帯域制限されたネットワークとリソース制限されたデバイス間で、効率的なストレージ、適応ストリーミング、高忠実度3Dコンテンツのレンダリングを可能にする。
論文 参考訳（メタデータ） (2026-01-08T21:32:54Z) - ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。
近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。
本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
論文 参考訳（メタデータ） (2025-03-21T18:55:14Z) - PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。
提案手法は,様々な視点によく一般化した最先端性能を実現する。
論文 参考訳（メタデータ） (2024-10-24T17:59:58Z) - CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。
我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。
実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
論文 参考訳（メタデータ） (2024-04-15T04:50:39Z) - 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) - Learning Segmented 3D Gaussians via Efficient Feature Unprojection for Zero-shot Neural Scene Segmentation [16.57158278095853]
ゼロショットニューラルシーンセグメンテーションはシーン理解に有効な方法である。
既存のモデル、特に効率的な3Dガウス法は、コンパクトなセグメンテーションの結果を生み出すのに苦労している。
セグメンテーションフィールドとしてFeature UnprojectionとFusionモジュールを提案する。
本モデルでは,ゼロショットセマンティックセグメンテーションタスクのベースラインを超越し,最良ベースラインよりも10%mIoU向上を図っている。
論文 参考訳（メタデータ） (2024-01-11T14:05:01Z)
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。