論文の概要: QuARC-GS: Quantized Anchored Residual Coding for Compact Dynamic Scene Streaming with Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.18285v1
- Date: Tue, 18 Aug 2026 20:06:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.201212
- Title: QuARC-GS: Quantized Anchored Residual Coding for Compact Dynamic Scene Streaming with Gaussian Splatting
- Title（参考訳）: QuARC-GS:ガウススプラッティングによる小型ダイナミックシーンストリーミングのための量子アンコレート残差符号化
- Abstract要約: QuARC-GSは、オンライン動的シーン再構築のための量子化対応4Dシーン最適化フレームワークである。
復元速度と品質を維持しながら超高圧縮を実現する。
広く使用されているデータセットの実験では、QuARC-GSが競合する再構築品質とトレーニング速度を実現することが示されている。
- 参考スコア（独自算出の注目度）: 14.288484670920399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D scene representation techniques such as neural radiance fields (NeRFs) and Gaussian splatting have made substantial progress in novel view synthesis, achieving high-quality renderings from arbitrary view angles. More recently, such techniques have been extended to dynamic 3D scenes; however, achieving sustainable online free-viewpoint video (FVV) streaming remains challenging, especially for longer videos, due to significant storage demands of detailed scene representations and high reconstruction/rendering speed needs. To address these challenges, we propose Quantized Anchored Residual Coding Gaussian Streaming (QuARC-GS), a quantization-aware 4D scene optimization framework for online dynamic scene reconstruction that achieves ultra-high compression while maintaining reconstruction speed and quality. QuARC-GS represents a scene using a single canonical frame and highly compressed per-frame residuals. Specifically, we compress each residual through two complementary strategies targeting motion, appearance, and densification. We introduce quantization-aware anchor deformation, which suppresses insignificant motion updates while preserving meaningful deformations, maintaining reconstruction quality under low-storage streaming. Furthermore, we design a change-gated densification strategy that allocates new Gaussians only in regions exhibiting genuine temporal changes, effectively eliminating redundant appearance updates and reducing storage overhead. Extensive experiments on widely used datasets demonstrate that QuARC-GS enables competitive reconstruction quality and training speed while cutting per-frame storage by up to 11$\times$ compared to the state-of-the-art.
- Abstract（参考訳）: ニューラルレイディアンス場(NeRF)やガウススプラッティングなどの3次元シーン表現技術は、任意の視角から高品質なレンダリングを実現するために、新規なビュー合成に大きく進歩している。
近年ではダイナミックな3Dシーンに拡張されているが、細かなシーン表現と高い再構築・レンダリング速度の要求により、持続的なオンライン自由視点ビデオ(FVV)ストリーミングを実現することは、特に長いビデオでは困難である。
これらの課題に対処するため,Quantized Anchored Residual Coding Gaussian Streaming (QuARC-GS)を提案する。
QuARC-GSは単一の標準フレームと高度に圧縮されたフレーム単位の残差を使用してシーンを表現する。
具体的には, 運動, 外観, 密度を目標とした2つの相補的戦略により各残差を圧縮する。
量子化対応アンカー変形を導入し、意味のある変形を保ちながら、重要な動きの更新を抑えるとともに、低記憶域ストリーミング下での再構成品質を維持する。
さらに,真の時間的変化を示す領域のみに新しいガウスを割り当て,冗長な外観更新を効果的に排除し,ストレージオーバーヘッドを低減できる変更ゲート型デンシフィケーション戦略を設計する。
広く使用されているデータセットに関する大規模な実験は、QuARC-GSがフレーム単位のストレージを最先端と比較して最大11$\timesでカットしながら、競争力のある再構築品質とトレーニング速度を実現することを実証している。
関連論文リスト
- VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
VidSplatは、トレーニング不要な生成的再構築フレームワークである。
生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。
広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
論文 参考訳（メタデータ） (2026-05-12T02:20:31Z) - Unfolding 3D Gaussian Splatting via Iterative Gaussian Synopsis [48.743921535513635]
イテレーティブ・ガウス・シンプシス(Iterative Gaussian Synopsis)は、トップダウンの「展開」スキームを通じてコンパクトでプログレッシブなレンダリングを行うための新しいフレームワークである。
提案手法は3DGSモデルから始まり,適応的かつ学習可能なマスクベースプルーニング機構を用いて,粗いLODを反復的に導出する。
この組み合わせはコンパクトで表現力のある特徴表現を生み出し、冗長性を最小化し、効率よく、レベル固有の適応をサポートするように設計されている。
論文 参考訳（メタデータ） (2026-04-13T16:28:35Z) - LoD-Structured 3D Gaussian Splatting for Streaming Video Reconstruction [19.37120630668256]
Free-Viewpoint Video (FVV) は、フォトリアリスティックでインタラクティブな3Dシーンの可視化を可能にする。
最近の3Dガウススティング(3DGS)は、レンダリング速度が優れているため、FVVが進歩している。
本稿では, SFV 専用に設計された LoD-based Gaussian Splatting フレームワーク StreamLoD-GS を提案する。
論文 参考訳（メタデータ） (2026-01-26T13:27:46Z) - ReCon-GS: Continuum-Preserved Gaussian Streaming for Fast and Compact Reconstruction of Dynamic Scenes [41.108974064267436]
ReCon-GSは、高忠実なオンライン動的シーン再構築とリアルタイムレンダリングを可能にするストレージ対応フレームワークである。
本稿では,ReCon-GSがトレーニング効率を約15%向上し,FVV合成品質が向上することを示す。
同等のレンダリング品質では、ReCon-GSは最先端の方法と比較して、メモリ要求を50%以上削減する。
論文 参考訳（メタデータ） (2025-09-29T06:23:47Z) - SD-GS: Structured Deformable 3D Gaussians for Efficient Dynamic Scene Reconstruction [5.818188539758898]
複雑な動的シーン再構成のためのコンパクトで効率的な動的スプレイティングフレームワークSD-GSを提案する。
また,過度に再構成された高流動領域のアンカーを適応的に成長させる変形認識型密度化戦略を提案する。
実験の結果,SD-GSはモデルサイズを60%削減し,FPSを100%改善することがわかった。
論文 参考訳（メタデータ） (2025-07-10T06:35:03Z) - CL-Splats: Continual Learning of Gaussian Splatting with Local Optimization [80.3004354618963]
本稿では,スパースシーンキャプチャから3次元表現を漸進的に更新するCL-Splatを紹介した。
CL-Splatsは、シーン内のアップデートと静的コンポーネントをセグメント化する堅牢な変更検出モジュールを統合する。
本実験により, CL-Splats は, 最先端の再構築品質を向上し, 効率的な更新を実現することを示した。
論文 参考訳（メタデータ） (2025-06-26T09:32:37Z) - S3R-GS: Streamlining the Pipeline for Large-Scale Street Scene Reconstruction [58.37746062258149]
3D Gaussian Splatting(3DGS)は、3D再構成の分野を変え、素晴らしいレンダリング品質とスピードを実現した。
既存の手法では、シーンサイズが大きくなるにつれて、ビューポイント当たりの再生コストが急速に増大する。
大規模なストリートシーン再構築のためのパイプラインをストリーム化する3DGSフレームワークであるS3R-GSを提案する。
論文 参考訳（メタデータ） (2025-03-11T09:37:13Z) - BloomScene: Lightweight Structured 3D Gaussian Splatting for Crossmodal Scene Generation [54.12899218104669]
3Dシーンは非常に複雑な構造を持ち、出力が密度が高く、一貫性があり、必要な全ての構造を含むことを保証する必要がある。
現在の3Dシーン生成法は、事前訓練されたテキスト・画像拡散モデルと単眼深度推定器に依存している。
クロスモーダルシーン生成のための軽量な3次元ガウススプラッティングであるBloomSceneを提案する。
論文 参考訳（メタデータ） (2025-01-15T11:33:34Z) - HiCoM: Hierarchical Coherent Motion for Streamable Dynamic Scene with 3D Gaussian Splatting [7.507657419706855]
本稿では,HiCoMと呼ばれる3つの重要なコンポーネントを持つ効率的なフレームワークを提案する。
まず、摂動平滑化戦略を用いて、コンパクトで頑健な初期3DGS表現を構築する。
次に、3次元ガウスの固有非一様分布と局所的一貫性を利用する階層的コヒーレント運動機構を導入する。
2つの広く利用されているデータセットを用いて行った実験により、我々のフレームワークは最先端の手法の学習効率を約20%向上することが示された。
論文 参考訳（メタデータ） (2024-11-12T04:40:27Z) - Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields [13.729716867839509]
ハイパフォーマンスを維持しつつガウスの数を著しく削減する学習可能なマスク戦略を提案する。
さらに、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） (2024-08-07T14:56:34Z) - VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction [59.40711222096875]
VastGaussianは3次元ガウススティングに基づく大規模シーンにおける高品質な再構成とリアルタイムレンダリングのための最初の方法である。
提案手法は既存のNeRF手法より優れており,複数の大規模シーンデータセットの最先端結果が得られる。
論文 参考訳（メタデータ） (2024-02-27T11:40:50Z)
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。