論文の概要: Learning Gaussian Structure: Intervention-Guided Density Control for Feed-Forward Driving Reconstruction

• arxiv url: http://arxiv.org/abs/2608.11077v1
• Date: Tue, 11 Aug 2026 15:38:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.108342
• Title: Learning Gaussian Structure: Intervention-Guided Density Control for Feed-Forward Driving Reconstruction
• Title（参考訳）: ガウス構造学習:フィードフォワード運転再建のための介入誘導密度制御
• Authors: Hang Li, Jiahe Li, Meiying Gu, Jin Zheng, Lina Yu, Xiao Bai,
• Abstract要約: 本稿では,ガウス構造とプリミティブ属性の両方を強化するフレームワークであるLearning Gaussian Structure(LGS)を紹介する。 我々の重要な観察は、プルーンの局所応答の変化は、構造調整が再構成に有効であるかどうかを明らかにすることである。 そこで我々は,ガウスプリミティブから他のタイムスタンプから隣接した特徴を明示的に抽出・集約し,信頼性の高い属性予測を行う,コンパクトなクロスタイムポイントクエリを開発した。
• 参考スコア（独自算出の注目度）: 22.26159235291006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward Gaussian reconstruction has recently emerged as an efficient approach for driving scene reconstruction. However, prevailing LiDAR-based methods preserve the initial correspondence between observed points and Gaussian primitives, treating the initialized primitive set as the final representation. Unlike optimization-based 3DGS, these methods cannot accumulate gradients during training to determine how the scenes representation should be densified. Meanwhile, the shared sparse backbone only fuses observations from different timestamps implicitly, without explicitly aggregating cross-time evidence for individual primitives. In this paper, we present Learning Gaussian Structure (LGS), a framework that enhances both Gaussian structure and primitive attributes. Our key observation is that changes in local gradient responses induced by a prune or add intervention reveal whether the corresponding structural adjustment benefits reconstruction. Based on this observation, our Gaussian Densify Policy learns a Densify Map comprising Prune and Addition Scores from controlled interventions, and directly adjusts the Gaussian structure during inference. We further develop a compact Cross-Time Point Query that explicitly retrieves and aggregates neighboring features from Gaussian primitives at other timestamps for reliable attribute prediction. Extensive experiments on the Waymo Open Dataset and PandaSet demonstrate that LGS consistently outperforms existing methods.
• Abstract（参考訳）: フィードフォワードガウシアン再構成は近年,シーン再構築の効率的な方法として浮上している。 しかし、LiDARをベースとした手法は観測点とガウス原始点の間の初期対応を保ち、初期化原始集合を最終表現として扱う。 最適化に基づく3DGSとは異なり、これらの手法はトレーニング中に勾配を蓄積することができず、どのようにシーン表現を密度化すべきかを決定する。 一方、共有されたスパースバックボーンは異なるタイムスタンプからの観察を暗黙的に融合させるだけであり、個々のプリミティブに対するクロスタイムな証拠を明示的に集約することはない。 本稿では,ガウス構造とプリミティブ属性の両方を強化するフレームワークであるLearning Gaussian Structure (LGS)を提案する。 我々の重要な観察は、プルーンの局所勾配応答の変化や追加介入により、対応する構造調整が再構成に有効であるかどうかを明らかにすることである。 この観察に基づき,我々のガウス密度政策は,制御された介入からプルーンと加算スコアからなるデンシファイドマップを学習し,推論中にガウス構造を直接調整する。 さらに我々は,ガウスプリミティブから隣接した特徴を,信頼できる属性予測のため他のタイムスタンプから明示的に抽出・集約する,コンパクトなクロスタイムポイントクエリを開発した。 Waymo Open DatasetとPandaSetの大規模な実験は、LGSが既存のメソッドを一貫して上回っていることを示している。

関連論文リスト

• From Uniform to Learned Graph Priors: Diffusion for Structure Discovery [18.139196723025034]
  Diff-priorは,グラフを生成するのではなく,遅延グラフ分布のキャリブレーションに使用される拡散パラメータ化適応プリミティブである。 私たちの中核的な洞察は、事前の統合を、散在する不確実なエッジ後部をより信頼性の高い構造に整理する、学習可能なデノナイジングスタイルのキャリブレーションとして再編成することにあります。 標準ベンチマーク実験により,我々のフレームワークが検証され,Diff-priorが構造推論の性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2026-06-10T09:14:45Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Scalable Gaussian process inference via neural feature maps [1.0152838128195467]
  学習した特徴写像はインプリッドRKHSから導出されるグラム行列に対する最適低ランク近似として解釈できることを示す。 オーバースムーシングに対処するための製品機能マップカーネルを導入します。 この単純で強力なアプローチは、最小の事前作業で高速でスケーラブルで正確なGP推論を可能にする。
  論文  参考訳（メタデータ） (2026-05-11T09:45:45Z)
• TRSVR: An Adaptive Stochastic Trust-Region Method with Variance Reduction [17.083793956698994]
  本稿では,分散領域(SVRG)を組み込んで収束を加速する非拘束的非還元最適化の信頼手法を提案する。 提案アルゴリズムは勾配情報のみに依存し,関数値の評価を必要としない。
  論文  参考訳（メタデータ） (2026-01-21T04:41:57Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• Time-series attribution maps with regularized contrastive learning [1.5503410315996757]
  勾配に基づく帰属法は、ディープラーニングモデルの決定を説明することを目的としているが、これまでは識別可能性の保証が欠如している。 本稿では,時系列データに基づく正規化コントラスト学習アルゴリズムを開発することにより,属性マップを識別可能性保証付きで生成する手法を提案する。 理論的には、xCEBRAはデータ生成過程のヤコビ行列を特定するのに好ましい性質を持っている。
  論文  参考訳（メタデータ） (2025-02-17T18:34:25Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Neural Jacobian Fields: Learning Intrinsic Mappings of Arbitrary Meshes [38.157373733083894]
  本稿では,ニューラルネットワークによる任意のメッシュの断片的線形マッピングを正確に予測するフレームワークを提案する。 このフレームワークは、グローバルな形状記述子に条件付けされた単一点の行列の予測に神経的な側面を還元することに基づいている。 個々のメッシュの固有の勾配領域で操作することで、フレームワークは高度に正確なマッピングを予測できる。
  論文  参考訳（メタデータ） (2022-05-05T19:51:13Z)

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。