論文の概要: CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation

• arxiv url: http://arxiv.org/abs/2609.08730v1
• Date: Tue, 08 Sep 2026 13:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 15:53:15.939469
• Title: CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation
• Title（参考訳）: CVT-GS:Centroidal Voronoi Tessellationを用いた3次元ガウス平滑化の学習
• Abstract要約: 3D Gaussian Splatting (3DGS) は、リアルタイムな新規ビュー合成のための強力な表現として登場した。 高忠実なシーンのレンダリングは、しばしば大量のガウスのプリミティブに依存している。 既存の単純化技術は、ほとんど侵入的であり、訓練時間の刈り取り、アーキテクチャの変更、あるいは計算的に高価なシーン毎の微調整を必要とする。 視覚的忠実度を犠牲にすることなく、トレーニングされた3DGSシーンを直接圧縮する、新しい最適化不要なポストホック単純化フレームワークであるCentro-GSを提案する。
• 参考スコア（独自算出の注目度）: 42.60357708039613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While 3D Gaussian Splatting (3DGS) has emerged as a powerful representation for real-time novel view synthesis, rendering high-fidelity scenes often relies on a massive number of Gaussian primitives, incurring substantial storage and computational overhead. Existing simplification techniques are largely intrusive, requiring training-time pruning, architectural modifications, or computationally expensive per-scene fine-tuning. These drawbacks limit their deployment on off-the-shelf pretrained models. In this paper, we propose CVT-GS, a novel optimization-free post-hoc simplification framework that directly compresses trained 3DGS scenes without sacrificing visual fidelity. Our approach first constructs spatially coherent cells over Gaussian centers via a geometry-aware Centroidal Voronoi Tessellation (CVT). Subsequently, a lightweight neural cell merger predicts the geometry and appearance of a single, highly representative Gaussian primitive for each cell under differentiable rendering supervision. By formulating simplification as a rendering-aware many-to-one merging process rather than naive primitive pruning, CVT-GS outputs a standard 3DGS scene that is seamlessly compatible with existing renderers. Experiments on various datasets demonstrate the superiority of our method. Notably, when achieving a 100-fold reduction in Gaussian points, our method operates 12 times faster than state-of-the-art methods while improving the PSNR by 1.3 dB.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は、リアルタイムの新規ビュー合成の強力な表現として登場したが、高忠実なシーンのレンダリングは、大量のガウス的プリミティブに依存しており、かなりのストレージと計算オーバーヘッドが生じる。 既存の単純化技術は、ほとんど侵入的であり、訓練時間の刈り取り、アーキテクチャの変更、あるいは計算的に高価なシーン毎の微調整を必要とする。 これらの欠点は、市販の事前訓練モデルへの展開を制限する。 本稿では,視覚的忠実度を犠牲にすることなく,トレーニング済みの3DGSシーンを直接圧縮する,新しい最適化不要なポストホック簡易化フレームワークCVT-GSを提案する。 提案手法はまず,幾何学的に認識されたCentroidal Voronoi Tessellation (CVT) を用いてガウス中心上の空間的コヒーレントな細胞を構築する。 その後、軽量な神経細胞の融合は、異なるレンダリング監督の下で、各セルに対して単一の、非常に代表的なガウス原始体の幾何学と外観を予測する。 単純化を単純なプリミティブプルーニングではなくレンダリング対応の多対一マージプロセスとして定式化することにより、CVT-GSは既存のレンダラーとシームレスに互換性のある標準の3DGSシーンを出力する。 各種データセットの実験により,本手法の優位性を実証した。 特にガウス点の100倍の減少を達成する際には,PSNRを1.3dB向上させながら,最先端手法の12倍の高速化を実現している。

関連論文リスト

• 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)
• Segmentation-Driven Initialization for Sparse-view 3D Gaussian Splatting [0.9251324073335035]
  3D Gaussian Splatting (3DGS)は、競争力のあるリアルタイムレンダリングを可能にした。 既存のパイプラインは、しばしばカメラポーズ推定にStructure-from-Motion(SfM)に依存している。 本研究では,構造的に重要な領域のみを識別・保持するために,領域ベースセグメンテーションを活用して非効率を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-15T12:31:33Z)
• Gaussian Herding across Pens: An Optimal Transport Perspective on Global Gaussian Reduction for 3DGS [13.03299802566674]
  3DGSは、放射場レンダリングの強力な技術として登場したが、通常は数百万の冗長なガウスプリミティブを必要とする。 本稿では,グローバルなガウス混合還元として3DGSのコンパクト化を推し進める,新しい最適輸送視点を提案する。 本手法は,バニラおよび加速3DGSパイプラインの任意の段階に適用可能であり,軽量なニューラルレンダリングへの効率的かつ非依存的な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-11T09:04:44Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• EfficientGS: Streamlining Gaussian Splatting for Large-Scale High-Resolution Scene Representation [29.334665494061113]
  能率GS」は3DGSを高解像度で大規模なシーンに最適化する高度なアプローチである。 3DGSの密度化過程を解析し,ガウスの過剰増殖領域を同定した。 本稿では,ガウス的増加を重要な冗長プリミティブに制限し,表現効率を向上する選択的戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-19T10:32:30Z)
• GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
  3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。 本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。 提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
  論文  参考訳（メタデータ） (2024-02-22T16:00:20Z)

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。