論文の概要: TopoGS: Topology-Aware Anchor Feature Aggregation for Large-Scale 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2609.27868v1
- Date: Thu, 20 Aug 2026 14:29:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.998968
- Title: TopoGS: Topology-Aware Anchor Feature Aggregation for Large-Scale 3D Gaussian Splatting
- Title（参考訳）: TopoGS: 大規模3次元ガウススプラッティングのためのトポロジー対応アンカー特徴集合
- Abstract要約: Octreeベースの3D Gaussian Splattingは、アンカーを複数レベルの階層に整理し、詳細レンダリングを行う。
2つの軽量コンポーネントを備えたトポロジ対応アンカー機能集約フレームワークであるTopoGSを提案する。
- 参考スコア（独自算出の注目度）: 16.76088989556537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Octree-based 3D Gaussian Splatting organizes anchors into multi-level hierarchies for level-of-detail rendering, but features at different levels are typically optimized independently, leaving the octree topology underused during feature learning. We observe that uniform cross-level aggregation produces asymmetric effects: fine-level anchors benefit from coarse context, whereas coarse-level anchors require selective information from their descendants. We therefore propose TopoGS, a topology-aware anchor feature aggregation framework with two lightweight components. Hierarchical Anchor Coupling establishes bidirectional cross-level gradient pathways by fusing per-level context triplets with a residual MLP. Structure-Aware Containment Aggregation uses octree containment and hash-based matching to distinguish anchors with valid parent-child relations from isolated anchors, then applies soft weighting to accommodate varying topological sparsity. Experiments on ten scenes from Mill19, UrbanScene3D, Tanks & Temples, MatrixCity, and WHU show consistent improvements over state-of-the-art methods. TopoGS achieves average PSNR gains of 2.13, 1.78, and 0.29 dB over the strongest reported baseline on aerial, ground-level, and synthetic-cartographic scenes, respectively, while rendering faster and using less memory. Code is available at https://github.com/WZ-CS/TopoGS.
- Abstract（参考訳）: Octreeベースの3D Gaussian Splattingは、アンカーを複数レベルの階層に整理して詳細レンダリングするが、異なるレベルの機能は一般的に独立して最適化され、機能学習の間にオクツリーのトポロジーが過小評価される。
粒度アンカーは粗い文脈から恩恵を受けるが、粗いアンカーは、その子孫から選択的な情報を必要とする。
そこで,2つの軽量コンポーネントを備えたトポロジ対応アンカー機能集約フレームワークであるTopoGSを提案する。
Hierarchical Anchor Couplingは、レベルごとのコンテキスト三重項を残りのMLPと融合させることで、双方向のクロスレベル勾配経路を確立する。
構造アウェア・コンテント・アグリゲーション(Structure-Aware Containment Aggregation)は、オクツリーの封じ込めとハッシュベースのマッチングを用いて、親子関係の有効なアンカーと孤立アンカーを区別し、そして、様々なトポロジ的疎度に対応するために柔らかい重み付けを適用する。
Mill19, UrbanScene3D, Tanks & Temples, MatrixCity, WHUの10シーンの実験では、最先端の手法よりも一貫した改善が見られた。
TopoGSのPSNRの平均ゲインは2.13、.78、0.29dBで、最強のベースラインは地上レベル、合成カルトグラフィーで、レンダリングは高速でメモリ消費は少ない。
コードはhttps://github.com/WZ-CS/TopoGS.comで入手できる。
関連論文リスト
- Compressing 3D Gaussian Splatting via Cross-Representation Priors [20.870041528567825]
3D Gaussian Splatting (3DGS) は高画質の新規ビュー合成を可能にするが, 密度ガウス原始体による高貯蔵・伝送コストを発生させる。
最近のアンカーベース圧縮は、原始的毎の冗長性を減少させるが、アンカー間の冗長性はほとんど明らかにされていない。
そこで我々は,CRP-GSを提案する。CRP-GSは速度歪みに最適化された圧縮フレームワークで,事前表現を利用してアンカーレベルのエントロピーモデルを改善する。
論文 参考訳（メタデータ） (2026-09-19T13:07:59Z) - HiCo-GS: Hierarchical Context Aggregation and Geometric Consistency for Octree Gaussian Splatting [12.554367987726245]
オクタリーをベースとしたアンカー・スプラッティングは、都市規模の新規なビュー・シンセサイザーの表現として現れている。
2つの相補的なモジュールを持つ高忠実度再構成フレームワークであるHiCo-GSを提案する。
Mill19、UrbanScene3D、MatrixCity、China-Pagodaの実験は、HiCo-GSが最先端の品質と実質的にクリーンな幾何学を達成することを示した。
論文 参考訳（メタデータ） (2026-08-14T09:41:58Z) - When Labels Have Structure: Improving Image Classification with Hierarchy-Aware Cross-Entropy [0.09558392439655013]
HACEは標準のクロスエントロピーをドロップインで置き換えたもので、既知のクラス階層を損失に直接組み込む。
エンドツーエンドのトレーニングでは、HACEは18のアーキテクチャセットペアのうち15の標準のクロスエントロピーよりも精度が向上する。
凍結したDINOv2-Large機能に対する線形探索では、HACEはすべてのデータセットで競合するメソッドよりも優れています。
論文 参考訳（メタデータ） (2026-05-07T13:49:36Z) - TreeGaussian: Tree-Guided Cascaded Contrastive Learning for Hierarchical Consistent 3D Gaussian Scene Segmentation and Understanding [19.718058183540624]
木誘導型コントラスト学習フレームワークであるTreeGaussianを紹介する。
マルチレベルオブジェクトツリーを構築することで、TreeGaussianは、オブジェクト-部分階層間の構造化学習を可能にする。
不安定なガウス点を抑えながらビューを整列させるグラフベースのデノナイジングモジュールが導入された。
論文 参考訳（メタデータ） (2026-03-31T10:22:28Z) - LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。
本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。
実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
論文 参考訳（メタデータ） (2026-03-30T13:39:35Z) - Rethinking End-to-End 2D to 3D Scene Segmentation in Gaussian Splatting [86.15347226865826]
We design an new end-to-end object-aware lifting approach, called Unified-Lift。
コントラスト損失を用いて学習したガウスレベルの機能を各ガウス点に拡張し、インスタンス情報をエンコードする。
LERF-Masked、Replica、Messy Roomsの3つのベンチマークで実験を行った。
論文 参考訳（メタデータ） (2025-03-18T08:42:23Z) - Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。
Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。
Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
論文 参考訳（メタデータ） (2025-03-10T20:59:41Z) - ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model [77.71796503321632]
我々は3DGS表現のアンカーレベルにコンテキストモデルを導入し,バニラ3DGSと比較して100倍以上のサイズの縮小を実現した。
我々の研究は3DGS表現のためのアンカーレベルのコンテキストモデルを開拓し、バニラ3DGSに比べて100倍以上、そして最新の最先端のScaffold-GSに比べて15倍の大幅なサイズ縮小を実現した。
論文 参考訳（メタデータ） (2024-05-31T09:23:39Z) - High-level Feature Guided Decoding for Semantic Segmentation [54.424062794490254]
そこで本稿では,アップサンプラーが頑健な結果を得るためのガイダンス(HFG)として,強力な事前学習高レベル機能を提案する。
具体的には、バックボーンの高レベルな機能はクラストークンのトレーニングに使用され、クラストークンはクラス分類のためにアップサンプラーによって再利用される。
HFGの上限を押し上げるために、低解像度の高レベル特徴に対して効率よく効果的に操作できる文脈拡張エンコーダ(CAE)を導入する。
論文 参考訳（メタデータ） (2023-03-15T14:23:07Z) - A Self-Supervised Gait Encoding Approach with Locality-Awareness for 3D
Skeleton Based Person Re-Identification [65.18004601366066]
3Dスケルトン配列内の歩行特徴による人物再識別(Re-ID)は、いくつかの利点を持つ新しい話題である。
本稿では、ラベルのない骨格データを利用して人物の歩行表現を学習できる自己教師付き歩行符号化手法を提案する。
論文 参考訳（メタデータ） (2020-09-05T16:06:04Z)
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。