論文の概要: Fast and Compact 3D Gaussian Splatting with Polarized Opacity Prior
- arxiv url: http://arxiv.org/abs/2608.22344v1
- Date: Sun, 23 Aug 2026 10:21:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.973952
- Title: Fast and Compact 3D Gaussian Splatting with Polarized Opacity Prior
- Title（参考訳）: 偏光オーパシティを先行した高速かつコンパクトな3次元ガウススプレーティング
- Abstract要約: 3D Gaussian Splatting (3DGS)はリアルタイムなレンダリング品質を実現するが、"モデル肥大"に悩まされる
この非効率性は、標準的な"densify-then-prune"パラダイムに由来する。
本稿では,本質的にコンパクトな表現を構築するための効率的なトレーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 33.143169558717105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) achieves state-of-the-art rendering quality at real-time speeds but suffers from "model bloat" - a large number of redundant, low-opacity Gaussians that inflate memory usage and training costs. This inefficiency stems from the standard "densify-then-prune" paradigm, which expands the model aggressively before relying on pruning to achieve compactness. To mitigate this problem, we present an efficient training framework that builds an intrinsically compact representation, replacing the conventional densify-then-prune cycle. Our method leverages a synergistic design: an L2 reconstruction loss to provide error-proportional gradients that stabilize optimization, and a novel Polarized Opacity Prior (POP) to actively manage the Gaussian population. POP steers informative primitives toward full opacity and uninformative ones toward transparency, enabling natural pruning and accelerating rendering through Early Ray Termination. Experiments on three public datasets demonstrate that our approach consistently achieves accelerated 3DGS training with significantly fewer Gaussians while maintaining comparable visual reconstruction quality. These results show that the proposed framework provides a simple and effective path toward fast and inherently compact 3DGS training.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、最先端のレンダリング品質をリアルタイムに達成するが、“モデル肥大”に悩まされている。
この非効率性は標準的な"densify-then-prune"パラダイムに由来する。
この問題を軽減するために,従来のデンシフィス・テン・プルー・サイクルを置き換えた,本質的にコンパクトな表現を構築する効率的なトレーニングフレームワークを提案する。
提案手法は, 最適化を安定させる誤差分布勾配を提供するL2再構成損失と, ガウス人口を積極的に管理する新しいポーラライズOpacity Prior (POP) の相乗的設計を利用する。
POPは情報的プリミティブを完全な不透明さと非情報的プリミティブに、透過性に向け、自然なプルーニングとEarly Ray Terminationによるレンダリングの高速化を実現している。
3つの公開データセットの実験により、我々のアプローチは、ほぼ同等の視覚的再構成品質を維持しながら、非常に少ないガウスの3DGSトレーニングを継続的に達成することを示した。
これらの結果から,提案するフレームワークは,高速かつ本質的にコンパクトな3DGSトレーニングに向けた,シンプルかつ効果的なパスを提供することがわかった。
関連論文リスト
- ACE-GS: Acing the Trade-off with Accurate, Compact and Efficient 3D Gaussian Splatting [0.0]
ACE-GSは、正確で、圧縮され、効率的なシーン表現に適したプログレッシブ最適化フレームワークである。
本研究では,高速フレームワークであるSpeedy-Splatに対して,最大3.7倍のトレーニングアクセラレーションを実現する。
ACE-GSは収束するのにわずか3分から5分しか必要とせず、最も高い構造的類似性を確保し、元の3DGSよりも最大0.89dBのPSNR改善を達成する。
論文 参考訳（メタデータ） (2026-06-19T09:11:13Z) - REFINE: Super-efficient 3D Gaussian Splatting Pruning via Rendering-Free Primitive Importance [58.94345609736356]
REFINEは、新しいレンダリングフリープリミティブ・プライマリ・プライマリ・メトリックを中心に、高度に高速化された3DGSプルーニング・フレームワークである。
複数のベンチマークデータセットに対する実験は、REFINEが非常に競争力のあるレンダリング品質を維持していることを示している。
論文 参考訳（メタデータ） (2026-06-08T06:16:38Z) - 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) - CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。
速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。
提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
論文 参考訳（メタデータ） (2026-01-19T08:21:45Z) - Opacity-Gradient Driven Density Control for Compact and Efficient Few-Shot 3D Gaussian Splatting [0.0]
本稿では,3DGSの最適化を最適化し,効率を優先するフレームワークを提案する。
我々は、標準位置勾配を、不透明度勾配をレンダリングエラーの軽量プロキシとして利用する新しい密度化トリガに置き換える。
3ビューのLLFFデータセットでは、我々のモデルはFSGSよりも40%以上コンパクト(32k対57kプリミティブ)であり、Mip-NeRF 360データセットでは約70%の削減を実現している。
論文 参考訳（メタデータ） (2025-10-11T15:33:50Z) - Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。
4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。
その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
論文 参考訳（メタデータ） (2025-04-08T07:15:58Z) - FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
FreeSplat++は大規模な屋内全シーン再構築の代替手法である。
深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
論文 参考訳（メタデータ） (2025-03-29T06:22:08Z) - 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) - Efficient Density Control for 3D Gaussian Splatting [3.6626434111127075]
3DGSはガウス数を増やすために適応密度制御を採用している。
レンダリング品質に影響を与える過度に適合したガウシアンが存在する可能性があり、元のADCはそれらを取り除くことができない。
Long-Axis Splitは子ガウスの位置、形状、不透明度を正確に制御し、分割前後の差を最小限に抑える。
不透明度を過度に設定したガウス人にリセットした後の回復速度の差を利用するリカバリ対応プルーニング。
論文 参考訳（メタデータ） (2024-11-15T12:12:56Z) - 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)
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。