論文の概要: Is Gaussian Splatting Becoming Neural Again? A Taxonomy and Controlled Study of Learned Parameterization

• arxiv url: http://arxiv.org/abs/2609.12395v1
• Date: Fri, 11 Sep 2026 03:37:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.597466
• Title: Is Gaussian Splatting Becoming Neural Again? A Taxonomy and Controlled Study of Learned Parameterization
• Title（参考訳）: ガウス的スプレイティングは再び神経質になるか? : 分類学と学習パラメータ化の制御された研究
• Abstract要約: 3次元ガウススティング(3DGS)は明示的原始と効率性を組み合わせたものである。 近年のシステムは、ガウスパラメータの生成や共有にニューラルネットワークを使用している。 属性デコーディング,空間共有,ビュー条件付きデコーディング,トポロジ生成,償却推論の5つの軸に沿って,この傾向を特徴づける。
• 参考スコア（独自算出の注目度）: 6.732693952041468
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Three-dimensional Gaussian Splatting (3DGS) combines explicit primitives with efficient rasterization, yet recent systems increasingly use neural networks to generate or share Gaussian parameters. We characterize this trend along five axes: attribute decoding, spatial sharing, view-conditioned decoding, topology generation, and amortized inference. An analysis of 19 representative methods shows that these choices address different limitations and cannot be reduced to a binary neural label. We also isolate three forms of neural parameterization in a controlled mip-NeRF 360 study. Sharing appearance and opacity improves reconstruction quality, while decoding geometric structure offers no further gain. The evidence favors selective neuralization: shared functions help when they capture reusable correlations without sacrificing the local geometric freedom of explicit splats.
• Abstract（参考訳）: 3次元ガウススプラッティング(3DGS)は、明示的なプリミティブと効率的なラスタ化を組み合わせたものであるが、近年のシステムでは、ガウスパラメータの生成や共有にニューラルネットワークの利用が増えている。 属性デコーディング,空間共有,ビュー条件付きデコーディング,トポロジ生成,償却推論の5つの軸に沿って,この傾向を特徴づける。 19の代表的な方法の解析は、これらの選択が異なる制限に対処し、バイナリニューラルラベルに還元できないことを示している。 制御されたmip-NeRF 360では,3種類のニューラルパラメタライゼーションも分離した。 外観と不透明さの共有は再現性を向上させるが、幾何構造を復号化してもそれ以上の利益は得られない。 共有関数は、明示的なスプレートの局所的な幾何学的自由を犠牲にすることなく、再利用可能な相関を捉えるのに役立つ。

関連論文リスト

• Neural Harmonic Textures for High-Quality Primitive Based Neural Reconstruction [21.360321969322047]
  ニューラル・ハーモニック・テクスチャ(Neural Harmonic Textures)は,プリミティブを囲む仮想足場に潜在特徴ベクトルをアンカーするニューラル表現手法である。 フーリエ解析にインスパイアされ、補間された特徴に周期的アクティベーションを適用し、アルファブレンディングをハーモニック成分の重み付け和に変換する。 提案手法は, 3DGUT, Triangle Splatting, 2DGSなどの既存のプリミティブベースパイプラインにシームレスに統合する。
  論文  参考訳（メタデータ） (2026-04-01T17:48:22Z)
• Learning Unified Representation of 3D Gaussian Splatting [15.792493458115016]
  十分に設計されたベクトル化表現は、3Dガウススプラッティングに固有の学習システムにとって不可欠である。 本稿では,ガウス原始体の固有情報をカプセル化した連続部分多様体場に基づく3DGSの埋め込み表現を提案する。
  論文  参考訳（メタデータ） (2025-09-26T20:44:59Z)
• HyRF: Hybrid Radiance Fields for Memory-efficient and High-quality Novel View Synthesis [11.71939856454585]
  HyRF(Hybrid Radiance Fields)は、明示的なガウスとニューラルフィールドの強みを組み合わせた、新しいシーン表現である。 HyRFは3DGSに比べてモデルサイズを20倍以上削減しつつ、最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2025-09-21T13:59:26Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• Permutation Equivariant Neural Functionals [92.0667671999604]
  この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。 隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。 実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T18:52:38Z)
• Orders-of-coupling representation with a single neural network with optimal neuron activation functions and without nonlinear parameter optimization [0.0]
  本稿では,ニューラルネットに最適なニューロン活性化機能を持たせることで,協調表現のニューラルネットワークモデルを容易に構築できることを述べる。 例としては、分子ポテンシャルエネルギー表面の表現がある。
  論文  参考訳（メタデータ） (2023-02-11T06:27:26Z)
• Understanding Neural Coding on Latent Manifolds by Sharing Features and Dividing Ensembles [3.625425081454343]
  システム神経科学は、単一ニューロンのチューニング曲線と集団活動の分析を特徴とする2つの相補的な神経データ観に依存している。 これらの2つの視点は、潜伏変数とニューラルアクティビティの関係を制約するニューラル潜伏変数モデルにおいてエレガントに結合する。 ニューラルチューニング曲線にまたがる機能共有を提案し、性能を大幅に改善し、より良い最適化を実現する。
  論文  参考訳（メタデータ） (2022-10-06T18:37:49Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。