論文の概要: Ultra-fast Neural Inference for Stochastic Gaussian Splatting Denoising

• arxiv url: http://arxiv.org/abs/2609.25604v1
• Date: Tue, 22 Sep 2026 02:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.187205
• Title: Ultra-fast Neural Inference for Stochastic Gaussian Splatting Denoising
• Title（参考訳）: 確率的ガウススプラッティングにおける超高速神経推論
• Abstract要約: 本稿では,2D Splattingレンダリングを用いた時間的ニューラルデノイザを提案する。 ノイズを抑え、自由カメラナビゲーション中に時間的に安定し、視覚的に説得力のある出力を達成する。 複合パイプラインは、ソートされたアルファブレンディングとのPSNRギャップを保っているが、デノイザーのオーバーヘッドはソートとブレンディングの除去によって保存された時間以下である。
• 参考スコア（独自算出の注目度）: 17.552319167438828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic rendering eliminates the sorting and alpha blending process in Gaussian splatting, at the cost of introducing spatial noise. Formulating temporal denoising over the pixel stream shared by view-consistent stochastic splatting renderers, we propose a temporal neural denoiser validated on stochastic 2D Gaussian Splatting rendering, combining dual-path exponential moving average accumulation, per-pixel learned trust prediction for history validation, a fixed anisotropic spatial filter and a variance-gated composition with stabilization. The denoiser suppresses the noise, achieving temporally stable, visually compelling outputs during free camera navigation, all while retaining the sort-free, blend-free rasterization performance. The combined pipeline retains a PSNR gap to sorted alpha-blending renderers, but the denoiser's overhead stays below the time saved by removing sorting and blending.
• Abstract（参考訳）: 確率的レンダリングは、空間ノイズを導入するコストで、ガウススプラッティングにおけるソートとアルファブレンディングのプロセスを排除する。 本研究では, 確率的2次元ガウススプティングレンダリングを応用した時間的ニューラルデノイザを提案し, 2方向の指数関数的移動平均蓄積, 歴史検証のための画素ごとの信頼予測, 固定異方性空間フィルタ, 安定化を伴う分散ゲート構成を組み合わせ, 時間的ニューラルデノイザを提案する。 ノイズを抑え、自由なカメラナビゲーション中に時間的に安定し、視覚的に説得力のある出力を達成し、これらは全て、ソートフリーでブレンドフリーなラスタライズ性能を維持している。 組み合わせたパイプラインは、ソートされたアルファブレンディングレンダラーとのPSNRギャップを保っているが、デノイザのオーバーヘッドはソートとブレンディングを削除することで保存される時間以下である。

関連論文リスト

• Spatially Adaptive Noise Injection [43.822624709841044]
  拡散サンプリングは、DDPM(Deterministic)アップデートまたはDDIM(Deterministic)アップデートを使用して学習したノイズ発生プロセスを反転させる。 本研究では,1画素あたりの雑音を動的に調整する新しいサンプリングフレームワークであるSpatially Adaptive Noise Injection (SANI)を導入する。
  論文  参考訳（メタデータ） (2026-09-16T11:00:06Z)
• Pixel-Space Diffusion via Observation Operators [22.391778551506345]
  本稿では,画像構造の本質的な回復順序とフルイメージの監督と特徴改善を一致させる統一的なフレームワークを提案する。 実験により,提案手法は画像Net-256上で1.52のFIDを達成し,生成品質を継続的に向上しながら,ほぼ高速に収束することが示された。
  論文  参考訳（メタデータ） (2026-08-22T09:54:01Z)
• Denoising-GS: Gaussian Splatting with Spatial-aware Denoising [59.331050242447255]
  高忠実なノベルビュー合成(NVS)において、3Dガウススティング(3DGS)は顕著な成功を収めた 本稿では, 3DGS の最適化を原始的認知過程として定式化し, 新たな視点を導入する。 位置と空間構造を両立させることにより,プリミティブのコヒーレントなデノナイジングフレームワークであるDenoising-GSを提案する。 3つのベンチマークデータセットで実施された実験により、Denoising-GSは表現のコンパクト性を維持しながら、NVSの忠実度を一貫して向上することを示した。
  論文  参考訳（メタデータ） (2026-05-14T14:24:21Z)
• Gradient-Free Noise Optimization for Reward Alignment in Generative Models [52.42087778653147]
  ZeNOは、経路積分制御問題としてノイズ最適化を定式化する、勾配のないフレームワークである。 効果的な推論時間スケーリングを可能にし、多様なジェネレータと報酬関数間で強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-05-12T00:05:36Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• There and Back Again: On the relation between Noise and Image Inversions in Diffusion Models [3.8384683391475556]
  拡散モデルは新しいサンプルを生成するが、データを編集可能な機能にエンコードする低次元の潜在空間がない。 インバージョンベースの手法は、デノベーション軌道を逆転させ、画像を近似したスタートノイズに転送することでこの問題に対処する。 その結果,潜伏剤はスムーズな画像領域で予測される低ノイズの形で構造パターンを示すことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T00:30:35Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• Two-Stage Monte Carlo Denoising with Adaptive Sampling and Kernel Pool [4.194950860992213]
  適応的サンプリング戦略に基づく2段階のデノイザーを提案することでモンテカルロレンダリングの問題点に取り組む。 第1段階では,1ピクセル (spp) あたりのサンプルをオンザフライで調整すると同時に,計算を再利用し,適応的に描画された画像に適用した余分なデノナイズカーネルを生成する。 第2段階では,空間-時間安定性を改善するために位置認識プーリングと意味アライメント演算子を設計する。
  論文  参考訳（メタデータ） (2021-03-30T07:05:55Z)
• Stochastic Optimization with Heavy-Tailed Noise via Accelerated Gradient Clipping [69.9674326582747]
  そこで本研究では,重み付き分散雑音を用いたスムーズな凸最適化のための,クリップ付きSSTMと呼ばれる新しい1次高速化手法を提案する。 この場合、最先端の結果を上回る新たな複雑さが証明される。 本研究は,SGDにおいて,ノイズに対する光細かな仮定を伴わずにクリッピングを施した最初の非自明な高確率複雑性境界を導出した。
  論文  参考訳（メタデータ） (2020-05-21T17:05:27Z)

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。