論文の概要: RoofGS: Roofline-Guided End-to-End Acceleration of 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.15785v1
- Date: Sun, 16 Aug 2026 15:06:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.422995
- Title: RoofGS: Roofline-Guided End-to-End Acceleration of 3D Gaussian Splatting
- Title（参考訳）: RoofGS: 3Dガウススプレイティングのローフラインガイドによるエンド・ツー・エンド加速
- Abstract要約: RoofGSは、一般的なカーネルアクセラレーションではなく、ボトルネック固有の最適化を適用するレンダリングフレームワークである。
実験の結果、RoofGSは指数指数指数4090よりも10.1ドルのエンドツーエンドのスピードアップを達成した。
- 参考スコア（独自算出の注目度）: 20.838595758539498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) enables real-time novel-view synthesis but remains limited on GPUs at high resolutions. Through a stage-wise Roofline characterization, we identify two distinct hardware bottlenecks: global memory traffic dominates the front end, whereas instruction throughput limits rasterization. Guided by this analysis, we develop RoofGS, a rendering framework that applies bottleneck-specific optimizations rather than generic kernel acceleration. For the memory-bound front end, we design a resolution-adaptive quantized depth sorting key that compresses each key to 32 bits. For the compute-bound rasterizer, we introduce a range-aware bit-level fast exponential approximation tailored to the bounded exponent range after opacity culling, with a derived per-pixel error bound. These two core techniques are complemented by additional optimizations (kernel fusion, compact attribute storage, culling, dual-pixel evaluation) that additionally reduce memory traffic and improve instruction-level parallelism. Experiments show that RoofGS achieves a 10.1$\times$ end-to-end speedup over 3DGS at 4K on an RTX 4090, increasing throughput from 61 to 616 FPS, with only a 0.028 dB PSNR loss.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、リアルタイムのノベルビュー合成を可能にするが、高解像度でGPUに制限されている。
ステージワイドなRooflineのキャラクタリゼーションにより、グローバルメモリトラフィックがフロントエンドを支配しているのに対し、命令スループットはラスタ化を制限している。
この分析により,汎用カーネルアクセラレーションよりもボトルネック特異的な最適化を施したレンダリングフレームワークであるRoofGSを開発した。
メモリバウンドフロントエンドでは、各キーを32ビットに圧縮する解像度適応型量子化深度ソートキーを設計する。
計算バウンドラスタライザに対しては、不透明度カリング後の有界指数域に合わせたビットレベル高速指数近似を導入する。
これらの2つのコア技術は、メモリトラフィックを減らし、命令レベルの並列性を改善する追加の最適化(カーネル融合、コンパクト属性ストレージ、カリング、デュアルピクセル評価)によって補完される。
実験の結果、RoofGSはRTX 4090で3DGSよりも10.1$\times$エンドツーエンドのスピードアップを実現し、スループットは61FPSから616FPSに向上し、PSNRの損失は0.028dBに留まった。
関連論文リスト
- TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
論文 参考訳（メタデータ） (2026-06-14T16:59:48Z) - 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) - Forge-UGC: FX optimization and register-graph engine for universal graph compiler [2.587194279527956]
OpenVINOやONNXのような既存のフレームワークは、しばしば不透明なコンパイルパイプラインを使用する。
Forge-UGCは、グラフキャプチャ、最適化、中間表現の低下、バックエンドスケジューリングを分離するハードウェアに依存しない設計でこの問題に対処する。
論文 参考訳（メタデータ） (2026-04-14T04:39:16Z) - Fast Log-Domain Sinkhorn Optimal Transport with Warp-Level GPU Reductions [1.6679662639178268]
我々は、log-domain Sinkhornアルゴリズムの軽量でネイティブな実装であるFastSinkhornを提案する。
我々の解法はログドメインで完全に動作し、標準ドメインメソッドが失敗するepsilon = 10-4のように、正規化パラメータの計算を可能にする。
画像色変換, 3次元点雲マッチング, 収束解析について検証し, 注意深い数値処理を施したネイティブカーネルが, 大規模最適輸送のための実用的で効率的な基盤となることを示した。
論文 参考訳（メタデータ） (2026-04-04T16:06:27Z) - Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。
しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。
動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
論文 参考訳（メタデータ） (2025-06-09T16:30:48Z) - TC-GS: A Faster Gaussian Splatting Module Utilizing Tensor Cores [8.422911585027924]
本稿では,アルゴリズムに依存しない汎用モジュールTC-GSを統合し,Core(TCU)を3DGSに適用する。
提案手法は,既存のガウス加速度アルゴリズムを2.18倍高速化し,最大5.6倍の高速化を実現するとともに,レンダリング品質を維持している。
論文 参考訳（メタデータ） (2025-05-30T16:58:18Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳（メタデータ） (2025-03-13T03:56:22Z) - MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
本稿では,4DGSのためのメモリ効率フレームワークを提案する。
TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。
レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
論文 参考訳（メタデータ） (2024-10-17T14:47:08Z) - 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt [65.25603275491544]
3DGS-LM, 3D Gaussian Splatting(3DGS)の再構築を高速化する新しい手法を提案する。
提案手法は, 元の3DGSよりも20%高速であり, 再構成品質の最適化が可能である。
論文 参考訳（メタデータ） (2024-09-19T16:31:44Z) - LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。
ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。
LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
論文 参考訳（メタデータ） (2023-11-28T21:39:20Z)
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。