論文の概要: Gauss What You Need: Compact Gaussian Splatting Across Scene Scales

• arxiv url: http://arxiv.org/abs/2609.31248v1
• Date: Fri, 25 Sep 2026 13:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.40713
• Title: Gauss What You Need: Compact Gaussian Splatting Across Scene Scales
• Title（参考訳）: ガウス:コンパクトなガウス・スプレイティング(動画あり)
• Abstract要約: 3Dガウシアン・スプレイティング(英語版)は、撮影と呼ばれる写真のセットからガウシアン・プリミティブのコレクションとしてシーンを再構築する。 シーンを表すために使用されるプリミティブの数は、復元品質、ストレージ、レンダリングコストに影響を与える。 我々は、キャプチャーモデルサイズとトレーニングベースの適応を組み合わせたTangoGSを紹介する。
• 参考スコア（独自算出の注目度）: 55.83573873592363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting reconstructs a scene as a collection of Gaussian primitives from a set of posed photographs called the capture. The number of primitives used to represent the scene affects reconstruction quality, storage, and rendering cost. How to select this number automatically across capture scales remains unresolved: configurations effective on standard benchmarks can leave larger captures with too few Gaussians to reconstruct fine details. We observe that the surface to represent, given by the capture's extent and resolution, is known before training, whereas its content complexity becomes apparent during training, through the reconstruction quality on the training views. We introduce TangoGS, which combines capture-derived model sizing with training-based adaptation: the capture determines the scale of the model, and training feedback determines its final size within that scale. Before training, TangoGS derives a learning allowance for model growth from the capture's total pixels after discounting views that re-observe the same scene points. During training, reconstruction quality guides how many Gaussians to add and remove. On 13 standard benchmark scenes, TangoGS matches the mean PSNR of the best-performing evaluated baseline, LeGS, with $48\%$ fewer Gaussians. On eight large captures, the same configuration automatically scales to larger models when necessary, achieving the highest mean PSNR among evaluated methods: $0.54$ dB above the runner-up with $2.3\times$ as many Gaussians. Together, capture-derived learning allowances and training-quality guided density control enable a state-of-the-art quality--size compromise across scene scales without retuning.
• Abstract（参考訳）: 3Dガウシアン・スプレイティング(英語版)は、撮影と呼ばれる写真のセットからガウシアン・プリミティブのコレクションとしてシーンを再構築する。 シーンを表すために使用されるプリミティブの数は、復元品質、ストレージ、レンダリングコストに影響を与える。 標準的なベンチマークで有効な設定は、ガウシアンがあまりに少ないため、細部を再構築する可能性がある。 本研究は, 撮影範囲と解像度で表される表面は, トレーニング前には知られており, トレーニングの過程では内容の複雑さが明らかになり, トレーニングビューの再現品質が向上するのを観察する。 我々は,TangoGSを紹介した。このモデルサイズとトレーニングベース適応を組み合わせて,キャプチャがモデルのスケールを決定し,トレーニングフィードバックがそのスケール内の最終的なサイズを決定する。 トレーニング前、TangoGSは、同じシーンポイントを再保存するビューを割引した後、キャプチャの全ピクセルからモデル成長の学習許可を得る。 訓練中、復元品質はガウス人が何人追加して取り除くかを導く。 13の標準ベンチマークシーンでは、TangoGSは、最高のパフォーマンス評価ベースラインであるLeGSの平均PSNRと、より少ないガウスの480\%で一致している。 8つの大きなキャプチャでは、同じ構成が必要に応じて大きなモデルに自動的にスケールし、評価されたメソッドの中で最も高いPSNRを達成している。 キャプチャに基づく学習の許容度とトレーニング品質のガイド付き密度制御を併用することにより、シーンスケールを調整することなく、最先端の質の高い妥協が可能になる。

関連論文リスト

• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• RetinaGS: Scalable Training for Dense Scene Rendering with Billion-Scale 3D Gaussians [12.461531097629857]
  我々は、適切なレンダリング方程式を用いた3DGSの一般的なモデル並列トレーニング手法であるRetinaGSを設計する。 本手法により,原始的な数を増やすと,視覚的品質が向上する傾向が明らかになる。 また、完全なMatrixCityデータセット上に10億以上のプリミティブを持つ3DGSモデルをトレーニングする最初の試みを実演する。
  論文  参考訳（メタデータ） (2024-06-17T17:59:56Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images [102.7646120414055]
  入力としてスパースなマルチビュー画像を与えられたMVSplatは、クリーンなフィードフォワード3Dガウスを予測できる。 大規模RealEstate10KとACIDベンチマークでは、MVSplatは高速フィードフォワード推論速度(22fps)で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-21T17:59:58Z)

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。