論文の概要: GARO: Geometry-Aware Redundancy Optimization for Real-Time and High-Fidelity Dynamic Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2609.23509v1
- Date: Sun, 20 Sep 2026 09:52:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.839916
- Title: GARO: Geometry-Aware Redundancy Optimization for Real-Time and High-Fidelity Dynamic Gaussian Splatting
- Title（参考訳）: GARO: リアルタイム・高忠実な動的ガウス平滑化のための幾何学的冗長性最適化
- Abstract要約: 本稿では,従来の動的シーン再構築パイプラインの適応密度制御段階における統一冗長度測定フレームワークであるGeometry-Aware Redundancy Optimization (GARO)を提案する。
GAROは、最適化アクティビティ評価戦略を用いて低次候補を選択し、低曲率解析により幾何複雑性を評価し、さらに冗長点をフィルタし、プルーンする。
合成および実世界のデータセットに対する実験により、GAROは品質と速度の間の堅牢なトレードオフを達成し、PSNRは安定であり、レンダリング速度は2倍改善され、GAROの有効性と有効性が検証された。
- 参考スコア（独自算出の注目度）: 1.6291425684427534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Novel view synthesis is a key task for dynamic scene reconstruction, where high rendering speed is essential for applications such as virtual reality. Existing deformable Gaussian Splatting methods achieve high-fidelity dynamic scene modeling, but still face limitations in memory usage and rendering efficiency due to the large number of redundant Gaussians. To address these challenges, we propose Geometry-Aware Redundancy Optimization (GARO), a unified redundancy measurement framework in the adaptive density control stage of the traditional dynamic scene reconstruction pipeline. This framework first selects low-gradient candidates using an optimization activity assessment strategy, and then evaluates geometric complexity through low curvature analysis to further filter and prune redundant points, resulting in a compact and expressive Gaussian representation. Extensive experiments on synthetic and real-world datasets demonstrate that GARO achieves robust trade-offs between quality and speed, with PSNR remaining stable and rendering speed improved by 2x, validating the efficiency and effectiveness of GARO.
- Abstract（参考訳）: 新しいビュー合成は動的シーン再構築の鍵となるタスクであり、仮想現実のようなアプリケーションには高いレンダリング速度が不可欠である。
既存の変形可能なガウススプラッティング法は高忠実度な動的シーンモデリングを実現するが、多くの冗長なガウスアンのためにメモリ使用率とレンダリング効率の制限に直面している。
これらの課題に対処するために,従来の動的シーン再構築パイプラインの適応密度制御段階における統一冗長度測定フレームワークであるGeometry-Aware Redundancy Optimization (GARO)を提案する。
このフレームワークは、まず最適化アクティビティ評価戦略を用いて低次候補を選択し、次に低曲率解析により幾何複雑性を評価し、さらに冗長点をフィルタおよびプーンし、コンパクトで表現力のあるガウス表現をもたらす。
合成および実世界のデータセットに対する大規模な実験により、GAROは品質と速度のトレードオフを堅牢に達成し、PSNRは安定であり、レンダリング速度は2倍改善され、GAROの有効性と有効性が検証された。
関連論文リスト
- EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。
提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
論文 参考訳（メタデータ） (2026-08-09T09:00:30Z) - L2D2-GS: Learning to Densify for Feedforward Dynamic Gaussian Scene Reconstruction [45.197986759830314]
本稿では,L2D2-GSについて述べる。L2D2-GSは1ショットレグレッションではなく,最適化と密度化の堅牢な反復的プロセスとして,一般化可能な再構築を再構築する統一的なフレームワークである。
提案手法は, 競合するベースラインよりもプリミティブを少なくしつつ, 最先端の復元忠実度と強力なゼロショット一般化を実現する。
論文 参考訳（メタデータ） (2026-06-28T12:51:17Z) - A Multi-Stage Optimization Framework for Deploying Learned Image Compression on FPGAs [7.577235739757108]
ディープラーニングベースの画像圧縮(lic)は、最先端のレート歪み(RD)性能を達成したが、これらのモデルをリソース制約付きFPGAにデプロイすることは大きな課題である。
この研究は、高性能浮動小数点モデルと効率的なハードウェアフレンドリな整数ベースの実装とのギャップを埋める、完全なマルチステージ最適化フレームワークを提供する。
論文 参考訳（メタデータ） (2025-11-21T10:55:44Z) - Rethinking Autoregressive Models for Lossless Image Compression via Hierarchical Parallelism and Progressive Adaptation [75.58269386927076]
自己回帰(AR)モデルは、しばしば計算コストの禁止のために非現実的に除外される。
この研究は、階層的並列性とプログレッシブ適応に基づくフレームワークを導入して、このパラダイムを再考する。
各種データセット(自然,衛星,医療)の実験により,本手法が新たな最先端圧縮を実現することを確認した。
論文 参考訳（メタデータ） (2025-11-14T06:27:58Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - Rasterized Steered Mixture of Experts for Efficient 2D Image Regression [1.7767675364046989]
提案手法は,モデル固有の空間と再現性を維持しつつ,2次元画像の回帰を加速するように設計されている。
グローバル反復最適化を一般化された定式化に置き換えることで,パラメータの更新が大幅に高速化され,メモリ効率が向上する。
論文 参考訳（メタデータ） (2025-10-07T11:32:44Z) - Multi-Sample Anti-Aliasing and Constrained Optimization for 3D Gaussian Splatting [6.336372495476242]
本稿では,マルチサンプル・アンチエイリアスと2つの幾何学的制約を組み合わせた総合最適化フレームワークを提案する。
本システムでは,4重サブサンプルの適応ブレンディングにより画素色を計算し,高周波成分のエイリアスを効果的に低減する。
本手法は,特に高周波テクスチャと鋭い不連続の保存において,詳細な保存における最先端性能を実現する。
論文 参考訳（メタデータ） (2025-08-14T10:14:36Z) - Mini-Splatting2: Building 360 Scenes within Minutes via Aggressive Gaussian Densification [4.733612131945549]
Mini-Splatting2は最適化時間、ガウス数、レンダリング品質のバランスの取れたトレードオフを実現する。
我々の研究は、現実世界のアプリケーションにおいて、より効率的で高品質な3Dシーンモデリングのステージを定めている。
論文 参考訳（メタデータ） (2024-11-19T11:47:40Z) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - Dynamic Voxel Grid Optimization for High-Fidelity RGB-D Supervised
Surface Reconstruction [130.84162691963536]
高忠実度3次元表面再構成のための新しい動的グリッド最適化手法を提案する。
グリッドを動的に修正し、より複雑な領域により微細なボクセルを割り当てることで、プロセスを最適化する。
提案手法は, 合成データと実世界のデータの両方を詳細に記述した高品質な3D再構成を実現する。
論文 参考訳（メタデータ） (2023-04-12T22:39:57Z)
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。