論文の概要: Fixed-Budget Gaussian Volume Encoding with Structure-Aware Allocation
- arxiv url: http://arxiv.org/abs/2608.14112v1
- Date: Fri, 14 Aug 2026 09:15:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.335851
- Title: Fixed-Budget Gaussian Volume Encoding with Structure-Aware Allocation
- Title（参考訳）: 構造認識アロケーションを用いた固定予算ガウス体積符号化
- Abstract要約: この研究はスカラー場を固定予算の下で異方性ガウス原始体として符号化する。
制御されたベンチマークでは、トランケーション対応フィールド評価により符号化時間を最大51倍に短縮する。
210万から110億という評価されたボクセルにまたがる5つのデータセットで、圧縮に有用な構成は、圧縮比が2.2倍から4万倍に達する15.0-38.7 dBのPSNRを達成した。
- 参考スコア（独自算出の注目度）: 15.691275130802815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific simulations often produce scalar volumes faster than they can be stored, transferred, and loaded, while in situ reduction must use only a limited share of simulation resources. This work encodes scalar fields as anisotropic Gaussian primitives under a fixed budget. The complete primitive set is allocated analytically from local field structure, including position, orientation, and shape, then refined directly against the scalar field without densification, pruning, or count changes. The selected budget determines encoded storage before refinement and, together with the iteration schedule, provides a controllable refinement-time budget. In a controlled benchmark, truncation-aware field evaluation reduces encoding time by up to 51x; 1.4 million Gaussians encode a billion-voxel volume in at most four minutes on one desktop GPU, with reduced-iteration refinement completing in under one minute. Across five datasets spanning 2.1 million to 1.1 billion evaluated voxels, compression-useful configurations achieve 15.0-38.7 dB PSNR at compression ratios from 2.2x to over 40,000x. Pre-encoding structure statistics characterize fields for which one-shot allocation yields limited gains from additional capacity. Because primitives retain scalar attributes rather than baked appearance, a single compact model serves every subsequent visualization state - supporting post-hoc transfer-function, colormap, lighting, and viewpoint changes without re-encoding.
- Abstract（参考訳）: 科学シミュレーションはしばしばスカラーボリュームを保存、転送、ロードするよりも速く生成するが、その場での削減は限られたシミュレーション資源のみを使用する必要がある。
この研究はスカラー場を固定予算の下で異方性ガウス原始体として符号化する。
完全原始集合は、位置、向き、形状を含む局所場構造から解析的に割り当てられ、その後、密度化、プルーニング、あるいは数えることなく、スカラー場に対して直接精製される。
選択された予算は、精錬前に符号化されたストレージを決定し、反復スケジュールとともに、制御可能な精錬時間予算を提供する。
制御されたベンチマークでは、truncation-awareフィールド評価は符号化時間を最大51倍に短縮し、140万ガウスは1つのデスクトップGPU上で少なくとも4分で10億ボクセルのボリュームをエンコードする。
210万から110億という評価されたボクセルにまたがる5つのデータセットで、圧縮に有用な構成は、圧縮比が2.2倍から4万倍に達する15.0-38.7 dBのPSNRを達成した。
プリエンコード構造統計学は、1ショットのアロケーションが追加容量から限られたゲインを得るフィールドを特徴づける。
プリミティブは、焼成された外観ではなくスカラー属性を保持するため、単一のコンパクトモデルは、再エンコードすることなく、ポストホック転送機能、カラーマップ、照明、視点変化をサポートする、その後の可視化状態のすべてに役立ちます。
関連論文リスト
- CC-4DGS: Computational Deformation and Point-Cloud Compression for Storage-Efficient Dynamic Gaussian Splatting [7.442525384873225]
動的4次元(4D)ガウススプラッティングは、高品質なビュー合成のための強力な明示的表現として現れている。
既存の方法は、大規模なマルチ解像度ハッシュテーブルに依存するため、1シーンあたり数十から数百メガバイトを必要とする。
本稿では、変形モデリングと標準記憶の両方を再考する、ストレージ効率が高くスケーラブルなフレームワークであるCC-4DGSを提案する。
論文 参考訳（メタデータ） (2026-09-02T06:47:19Z) - Graph-Aware Exact Branch-and-Bound with Device Profiles for Static Qubit Allocation [1.5229257192293195]
静的量子ビット割り当ては、回路の論理量子ビットをスパース物理デバイスにマッピングする。
我々は、グラフ対応の正確な削減を、軽量な割り当てバウンドパスのためのエンジニアリングバンドルに統合する。
その結果、グラフ対応ノード処理とエンジニアリングにより、正確な割り当てに必要なリソースを大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2026-08-04T12:36:54Z) - Agentic Stage-One Stellarator Optimization: Autonomous Multi-Objective Search for Finite-Beta Equilibria [0.0]
強調ステージワン最適化の概念実証を行う。
エージェント外ループ制御は有限ベータ・多目的探索を維持でき、繰り返し最適化を改良された平衡のスケーラブルなソースに変えることができる。
論文 参考訳（メタデータ） (2026-08-02T16:08:52Z) - SparseKAN: Compressing Kolmogorov--Arnold Networks Across Basis Functions, Neurons, and Bits [6.860988566886594]
基本関数,ニューロン/チャネル,数値精度の3つの相補的軸に沿ってkanを圧縮する統一的アプローチである textbfSparseKAN を提案する。
SparseKANは、基本分岐、非線形基底分岐、および個別基底項に、異なるアクティブコストの目的の下で訓練された階層的な学習可能なゲートを装備する。
論文 参考訳（メタデータ） (2026-08-01T20:42:41Z) - GB-LSR: A Fast Local Spectral Image Representation with a Single Global Bandwidth for Continuous Reconstruction and Super-Resolution [0.6138671548064355]
連続画像再構成のための固定格子型局所スペクトル表現であるGB-LSRを提案する。
トレーニング可能なグローバルスカラー(main)、固定されたグローバルスカラー、パッチ単位の帯域幅フィールドの3つの帯域幅処理変種について検討する。
主な派生型は2.8-3.6 dB PSNRと0.11-0.15 LPIPSによるLIIF / LTE / WIREの再実装である。
別の任意のスケールの超解像(ASR)拡張では、GB-LSRは標準型SRプロトコルの下で競合するPSNR-Yを達成する。
論文 参考訳（メタデータ） (2026-06-17T21:50:05Z) - Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。
本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。
実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
論文 参考訳（メタデータ） (2026-04-05T04:25:07Z) - ProGIC: Progressive and Lightweight Generative Image Compression with Residual Vector Quantization [59.481950697968706]
残留ベクトル量子化(RVQ)に基づくコンパクトなプログレッシブ生成画像圧縮(ProGIC)を提案する。
RVQでは、ベクトル量子化器の列がステージごとに残余を符号化し、それぞれが独自のコードブックを持つ。
これを奥行き分離可能な畳み込みと小さな注意ブロックに基づく軽量なバックボーンと組み合わせることで、GPUとCPUのみのデバイスに実用的なデプロイを可能にします。
論文 参考訳（メタデータ） (2026-03-03T11:47:05Z) - RaBiT: Residual-Aware Binarization Training for Accurate and Efficient LLMs [5.782015253162346]
残留バイナライゼーションは、バイナリ層を積み重ねることで、マットルフリーな推論を可能にする。
本稿では,残差階層をアルゴリズム的に強制することでコダプタ化を解決する新しい量子化フレームワークであるRaBiTを提案する。
RaBiTは最先端のパフォーマンスを実現し、ハードウェア集約型ベクトル量子化(VQ)の手法と競合する。
論文 参考訳（メタデータ） (2026-02-05T06:41:11Z) - BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。
BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
論文 参考訳（メタデータ） (2026-02-04T02:54:37Z) - Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。
既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。
筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
論文 参考訳（メタデータ） (2025-08-28T06:36:10Z) - SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models [61.474101404805545]
拡散モデルは高品質なイメージを生成することができるが、スケールするにつれて、メモリ要求が増加し、より高いレイテンシがデプロイメント上の課題を引き起こす。
この制限を克服する新しい4ビット量子化パラダイムであるSVDQuantを提案する。
We reduce the memory usage for the 12B FLUX.1 models by 3.5$times$, achieved 3.0$times$ speedup over the 4-bit weight-only Quantization (W4A16) baseline。
論文 参考訳（メタデータ） (2024-11-07T18:59:58Z)
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。