論文の概要: ABCD: Alpha-Composited Block Coordinate Descent: Constant-VRAM Training for Large Radiance Fields
- arxiv url: http://arxiv.org/abs/2608.27735v1
- Date: Thu, 27 Aug 2026 21:51:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.154684
- Title: ABCD: Alpha-Composited Block Coordinate Descent: Constant-VRAM Training for Large Radiance Fields
- Title（参考訳）: ABCD:Alpha-composited Block Coordinate Descent: Constant-VRAM Training for Large Radiance Fields
- Abstract要約: ABCDはアルファ合成放射場のためのトレーニングフレームワークである。
本手法は,空間分割上のブロック座標降下としてのトレーニングを再構成する。
実験では,PSNRの5%未満の劣化で3DGSの復元品質を良好に維持する。
- 参考スコア（独自算出の注目度）: 1.8964402635820152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present ABCD (Alpha-Composited Block Coordinate Descent), an out-of-core training framework for alpha-composited radiance fields, instantiated here for 3D Gaussian Splatting. Our method reformulates training as block coordinate descent over spatial partitions: only one block of parameters is active at a time, while all others are frozen. By exploiting the associativity of alpha blending, these inactive regions can be pre-rendered and collapsed into foreground and background RGBA images. As a result, for fixed partition size and image resolution, peak VRAM becomes O(1) with respect to total scene extent, rather than growing with full scene size. This enables GPUs with limited memory to train scenes that would otherwise not fit in core. In experiments, our method closely preserves the reconstruction quality of 3DGS, with less than 5% PSNR degradation, while ABCD with compositing ablated suffers roughly 40% degradation. Our code can be found at https://github.com/shiukaheng/abcd
- Abstract（参考訳）: アルファ合成ラジアンスフィールドのアウト・オブ・コアトレーニングフレームワークであるABCD(Alpha-Composited Block Coordinate Descent)を3Dガウススメッティングのためにインスタンス化した。
本手法は,空間的分割のブロック座標降下としてトレーニングを再構成する。パラメータのブロックは1回に1つだけであり,他のすべては凍結している。
アルファブレンディングの連想性を利用して、これらの不活性領域を事前レンダリングし、前景および背景RGBA画像に分解することができる。
その結果、固定分割サイズと画像解像度では、全シーンサイズで成長するのではなく、全シーン範囲でピークVRAMがO(1)となる。
これにより、限られたメモリを持つGPUは、コアに合わないシーンをトレーニングすることができる。
実験では,PSNRの5%未満の劣化を伴う3DGSの復元品質を保存し,ABCDの合成により約40%の劣化がみられた。
私たちのコードはhttps://github.com/shiukaheng/abcdにある。
関連論文リスト
- RAGA: Real Time Ray Traced Gaussian Shadow Casting for 3DGS Avatar-Scene Interaction [56.93584264880528]
我々は、正確なレイ・ガウス線積分に基づくレイ・トラッキード・ガウスシャドウキャスティングであるRAGAを紹介する。
ガウスを排他するごとに、影線に沿って不透明度プロファイルを積分し、理論的な最大積分によって正規化し、光線が Occluder をどう通過するかを捉える重みを生成する。
複数のデータセットにまたがる単一アバター,マルチアバター,アバターオブジェクトのインタラクションシナリオを評価する。
論文 参考訳（メタデータ） (2026-06-28T10:55:32Z) - MEGS$^{2}$: Memory-Efficient Gaussian Splatting via Spherical Gaussians and Unified Pruning [30.870590584591557]
3DGSのための新しいメモリ効率フレームワークであるMEGS$2$を紹介する。
メモリ集約型球面調和を、軽量で任意指向の球面ガウスローブに置き換える。
MEGS$2$は、50%の静的VRAM還元と40%のレンダリングVRAM還元を実現している。
論文 参考訳（メタデータ） (2025-09-07T07:06:03Z) - Sparfels: Fast Reconstruction from Sparse Unposed Imagery [8.362190332905524]
コンシューマグレードGPU上で3分以内で動作する表面要素スプラッティングを用いたスパースビュー再構成法を提案する。
我々の貢献の鍵は、効率よく計算できる光線に沿ったスプレイト色分散の新たな定式化である。
確立されたマルチビューデータセットに基づいて、再構成と新規ビューベンチマークにおいて、スパースな未校正設定における最先端性能を示す。
論文 参考訳（メタデータ） (2025-05-04T16:40:24Z) - ZeroGS: Training 3D Gaussian Splatting from Unposed Images [62.34149221132978]
我々はZeroGSを提案し、3DGSを何百もの未提示画像から訓練する。
本手法は,事前学習した基礎モデルをニューラルネットワークのシーン表現として活用する。
提案手法は,最先端のポーズレスNeRF/3DGS法よりも高精度なカメラポーズを復元する。
論文 参考訳（メタデータ） (2024-11-24T11:20:48Z) - 3D Convex Splatting: Radiance Field Rendering with 3D Smooth Convexes [87.01284850604495]
多視点画像から幾何学的に有意な放射場をモデル化するためのプリミティブとして3次元滑らかな凸を利用した3次元凸法(3DCS)を提案する。
3DCSは、MipNeizer, Tanks and Temples, Deep Blendingなどのベンチマークで、3DGSよりも優れたパフォーマンスを実現している。
本結果は,高品質なシーン再構築のための新しい標準となる3Dコンベクシングの可能性を強調した。
論文 参考訳（メタデータ） (2024-11-22T14:31:39Z) - 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) - EVER: Exact Volumetric Ellipsoid Rendering for Real-time View Synthesis [72.53316783628803]
実時間微分可能な発光専用ボリュームレンダリング法であるExact Volumetric Ellipsoid Rendering (EVER)を提案する。
3D Gaussian Splatting(3DGS)による最近の手法とは異なり、プリミティブベースの表現は正確なボリュームレンダリングを可能にする。
本手法は,3DGSよりもブレンディング問題の方が精度が高く,ビューレンダリングの追従作業も容易であることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:59:09Z) - AbsGS: Recovering Fine Details for 3D Gaussian Splatting [10.458776364195796]
3D Gaussian Splatting (3D-GS) 技術は3Dプリミティブを相違可能なガウス化と組み合わせて高品質な新規ビュー結果を得る。
しかし、3D-GSは、高頻度の詳細を含む複雑なシーンで過度に再構成の問題に悩まされ、ぼやけた描画画像に繋がる。
本稿では,前述の人工物,すなわち勾配衝突の原因を包括的に分析する。
我々の戦略は過度に再構成された地域のガウス人を効果的に同定し、分割して細部を復元する。
論文 参考訳（メタデータ） (2024-04-16T11:44:12Z) - TRIPS: Trilinear Point Splatting for Real-Time Radiance Field Rendering [6.142272540492937]
本稿では,ガウス版とADOP版の両方のアイデアを組み合わせたTRIPS(Trilinear Splatting)を提案する。
評価の結果,TRIPS はレンダリング品質の点で既存の最先端手法を超越していることがわかった。
このパフォーマンスは、複雑な幾何学、広大な風景、自動露光映像など、困難なシナリオにまで拡張されている。
論文 参考訳（メタデータ） (2024-01-11T16:06:36Z) - VoGE: A Differentiable Volume Renderer using Gaussian Ellipsoids for
Analysis-by-Synthesis [62.47221232706105]
本稿では,ガウス再構成カーネルをボリュームプリミティブとして利用するVoGEを提案する。
本稿では,VoGEを用いて効率よくレンダリングを行うために,体積密度集約と粗大な描画戦略に関する近似クローズフォーム解を提案する。
VoGEは、オブジェクトポーズ推定、形状/テクスチャフィッティング、推論など、様々な視覚タスクに適用された場合、SoTAより優れている。
論文 参考訳（メタデータ） (2022-05-30T19:52:11Z)
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。