論文の概要: LiTe-GS: Oracle-Efficient Next Best View Selection for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.30393v1
• Date: Thu, 24 Sep 2026 18:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.083832
• Title: LiTe-GS: Oracle-Efficient Next Best View Selection for 3D Gaussian Splatting
• Title（参考訳）: LiTe-GS:Oracleが効率よく3Dガウススプレイティングのビュー選択
• Abstract要約: LiTe-GSは、3次元ガウススプラッティングにおける次の最良のビュー選択のためのオラクル効率のよい方法である。 オラクルの複雑性と近似性能に関する理論的保証を提供する。 BlenderとMip-NeRF 360の実験では、LiTe-GSはFisher-informationベースのベースラインに匹敵する再現品質を維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting informative camera views is critical for efficient training and adaptive refinement in 3D Gaussian Splatting, where each observation significantly influences model parameters. However, information-driven view-selection strategies can require repeated evaluations of expensive information-gain oracles as the number of candidate views increases. We propose LiTe-GS, an oracle-efficient method for next best view selection in 3D Gaussian Splatting. LiTe-GS reduces the number of information-oracle evaluations by performing randomized subset evaluation of candidate views rather than exhaustively scoring the full candidate pool. The resulting approach achieves expected $O(M\log(1/ε))$ oracle complexity with respect to the number of candidate views $M$, independent of the selection cardinality $K$, while providing an explicit trade-off between oracle efficiency and approximation quality through $ε$. We provide theoretical guarantees on oracle complexity and approximation performance under the proposed selection scheme. Experiments on Blender and Mip-NeRF 360 demonstrate that LiTe-GS maintains reconstruction quality comparable to Fisher-information-based baselines while substantially reducing the number of Fisher-oracle evaluations across different acquisition settings.
• Abstract（参考訳）: 感性カメラビューの選択は、3次元ガウススプラッティングにおける効率的なトレーニングと適応的改善に不可欠であり、それぞれの観察がモデルパラメータに大きく影響する。 しかし, 情報駆動型視点選択戦略では, 候補視数の増加に伴い, 高価な情報ゲインオラクルの評価を繰り返し行う必要がある。 そこで我々は,3次元ガウススプラッティングにおいて,次の最良のビュー選択のためのオラクル効率のよいLiTe-GSを提案する。 LiTe-GSは、全候補プールを抜本的に評価するのではなく、候補ビューのランダム化サブセット評価を行うことにより、情報オーラ評価の回数を削減する。 結果として得られるアプローチは、候補ビューの数に関して期待される$O(M\log(1/ε))$oracle complexityを達成する。 提案手法では,オラクルの複雑性と近似性能について理論的に保証する。 BlenderとMip-NeRF 360の実験では、LiTe-GSはFisher-informationベースのベースラインに匹敵する再構築品質を維持しつつ、異なる取得設定におけるFisher-oracle評価数を著しく削減している。

関連論文リスト

• Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization [15.611755201685936]
  固定された低深さ量子近似最適化アルゴリズム(QAOA)の4つのコストハミルトニアン族に対する古典的最適化をベンチマークする。 10は、1万から3万の関数評価の一般的な天井の下で25以上の独立したランと比較される。
  論文  参考訳（メタデータ） (2026-09-19T19:08:36Z)
• Active Learning with Low-Rank Structure for Data Selection [85.43185363043362]
  低ランク近似と残差に基づくサンプリングに基づく新しいデータ選択フレームワークを提案する。 平均損失がデータセット全体の平均損失を近似した$tildeOleft(k + frac1varepsilon2right)$データポイントの重み付きサブセットを選択することができることを示す。
  論文  参考訳（メタデータ） (2026-06-14T22:29:59Z)
• Reducing Oracle Feedback with Vision-Language Embeddings for Preference-Based RL [18.45416397753188]
  ROVEDは、VLEベースの監視とターゲットとするオラクルフィードバックを組み合わせたハイブリッドフレームワークである。 提案手法では,VLEを用いてセグメントレベルの嗜好を生成し,不確実性の高いサンプルのみをオラクルにフェールさせる。 複数のロボット操作タスクにまたがって、ROVEDは事前の嗜好ベースのメソッドにマッチまたは超過し、オラクルクエリを最大80%削減する。
  論文  参考訳（メタデータ） (2026-03-30T05:33:55Z)
• Bayesian-guided inverse design of hyperelastic microstructures: Application to stochastic metamaterials [0.34376560669160394]
  本研究の目的は,対象のマクロなストレス応答を実現する構造を同定することである。 各候補設計について、応答は高忠実度オラクルから得られる。 ベイズ誘導型逆設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T21:09:57Z)
• Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [110.610512800947]
  Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。 RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。 提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。 本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T09:32:29Z)
• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• Fast Interactive Search with a Scale-Free Comparison Oracle [17.38671584773247]
  比較ベースの検索アルゴリズムにより、ユーザはフォームのクエリに応答してデータベース内のターゲットアイテム$t$を見つけることができる。 そのような類似性三重項に対して$(i,j;t)$に対して$gamma$-CKLと呼ばれるスケールフリー確率オラクルモデルを提案する。 我々は,バックトラッキング戦略により,$gamma$-CKL のオラクルの下で,指数関数的に収束率の高い探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-02T09:33:19Z)
• Solving Multistage Stochastic Linear Programming via Regularized Linear Decision Rules: An Application to Hydrothermal Dispatch Planning [77.34726150561087]
  AdaSO(Adaptive least absolute shrinkage and selection operator)に基づく線形決定規則(LDR)の新しい正規化手法を提案する。 実験により、MSLPを解くために古典的な非正規化LDRを使用する場合、過度に適合する脅威は無視できないことが示された。 LHDP問題に対しては、非正規化ベンチマークと比較して、提案したフレームワークの次の利点を強調した。
  論文  参考訳（メタデータ） (2021-10-07T02:36:14Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• LookHops: light multi-order convolution and pooling for graph classification [31.04335017603163]
  我々は、性能を改善しつつパラメータを少なくする軽量の$k$-order畳み込みとプーリングを提案する。 提案する畳み込みは、競合的な結果を提供する一方でパラメータを少なくする。 提案手法は効率と性能の点でSOTAアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-12-28T11:47:03Z)

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。