論文の概要: Federated 3D Gaussian Splatting for Large-Scale Scene Reconstruction at Wireless Edge

• arxiv url: http://arxiv.org/abs/2609.32177v1
• Date: Sat, 26 Sep 2026 02:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:14:45.923248
• Title: Federated 3D Gaussian Splatting for Large-Scale Scene Reconstruction at Wireless Edge
• Title（参考訳）: ワイヤレスエッジにおける大規模シーン再構成のための3次元ガウススプラッティング
• Abstract要約: 3次元ガウススプラッティング(3D-GS)は大規模なシーン再構築に有望な技術である。 本稿では,大規模シーンの3D-GSモデルを効率的に学習するための新しい資源効率学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 63.63984803717389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional (3D) Gaussian splatting (3D-GS) has emerged as a promising technique for large-scale scene reconstruction due to its high rendering efficiency and fidelity. However, the training of large-scale 3D-GS models at wireless edge faces various technical challenges including the limited communication, computation, and graphics processing unit (GPU) memory resources at edge devices, the structural inconsistency issue across local models hindering their effective aggregation, as well as privacy leakage risks associated with raw visual content and camera parameters. To address these challenges, this paper proposes a novel resource-efficient federated learning framework for efficiently training 3D-GS models of large scenes under severe resource constraints. First, we propose an on-device model lightweighting mechanism that adaptively selects and prunes Gaussian points to balance the rendering quality and training efficiency. In this mechanism, we quantitatively evaluate the importance of different Gaussian points at each device to facilitate the pruning, and use a novel importance-to-latency ratio criterion to determine the number of pruned Gaussian points under GPU memory and computation/communication latency constraints. Furthermore, we develop a 3D-GS model recovery mechanism that restores structural consistency across local 3D-GS models without accessing private camera parameters, enabling their effective aggregation towards a global model. Finally, extensive experiments show that our approach significantly accelerates convergence, maintains high rendering quality, and reduces training latency compared to state-of-the-art federated 3D-GS baselines.
• Abstract（参考訳）: 3次元ガウススプラッティング(3D-GS)は, 高いレンダリング効率と忠実さのため, 大規模シーン再構築に有望な技術として出現している。 しかし、無線エッジでの大規模3D-GSモデルのトレーニングは、エッジデバイスでの通信、計算、グラフィックス処理ユニット(GPU)メモリリソースの制限、ローカルモデル間の構造的不整合の問題による効果的な集約を妨げること、生のビジュアルコンテンツやカメラパラメータに関連するプライバシー漏洩リスクなど、様々な技術的課題に直面している。 これらの課題に対処するために,大規模シーンの3D-GSモデルを重大制約下で効率的に学習するための,資源効率の高い新しいフェデレーション学習フレームワークを提案する。 まず,ガウス点を適応的に選択・作成し,レンダリング品質とトレーニング効率のバランスをとるオンデバイスモデル軽量化機構を提案する。 本稿では,各デバイスにおける異なるガウス点の重要性を定量的に評価し,GPUメモリ下でのプルーニングされたガウス点数と計算/通信遅延制約を決定するために,新しい重要度と遅延率の基準を用いる。 さらに,プライベートカメラパラメータにアクセスすることなく,局所的な3D-GSモデル間の構造的一貫性を復元する3D-GSモデル復元機構を開発し,グローバルモデルへの効果的な集約を可能にする。 最後に,我々の手法が収束を著しく加速し,高いレンダリング品質を維持し,最先端の3D-GSベースラインと比較してトレーニングのレイテンシを低減することを示す。

関連論文リスト

• PocketGS: On-Device Training of 3D Gaussian Splatting for High Perceptual Modeling [11.717108464366616]
  本稿では,デバイス上での3DGSトレーニングを厳密に結合した制約下で実現するモバイルシーンモデリングパラダイムであるPocketGSを紹介する。 提案手法は,3つの共設計演算子による標準3DGSの基本的な矛盾を解消する。
  論文  参考訳（メタデータ） (2026-01-24T07:58:53Z)
• GSFusion:Globally Optimized LiDAR-Inertial-Visual Mapping for Gaussian Splatting [20.665306154754564]
  本稿では,GSFusionを提案する。これはLDAR-Inertial-Visual Mapのオンラインマッピングシステムで,グローバルなポーズグラフ最適化におけるサーベイル・ツー・サーフェル制約による高精度マップの整合性を保証する。 公開とデータセットの実験では、既存の3DGS SLAMシステムよりも、レンダリング品質とマップ構築効率が優れています。
  論文  参考訳（メタデータ） (2025-07-31T06:15:51Z)
• Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
  3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。 本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。 我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
  論文  参考訳（メタデータ） (2025-05-08T18:41:38Z)
• StructGS: Adaptive Spherical Harmonics and Rendering Enhancements for Superior 3D Gaussian Splatting [5.759434800012218]
  StructGS は 3D Gaussian Splatting (3DGS) を強化し、3D再構成における新規なビュー合成を改善するフレームワークである。 我々のフレームワークは計算冗長性を著しく低減し、ディテールキャプチャを強化し、低解像度入力からの高解像度レンダリングをサポートする。
  論文  参考訳（メタデータ） (2025-03-09T05:39:44Z)
• Radiant: Large-scale 3D Gaussian Rendering based on Hierarchical Framework [13.583584930991847]
  大規模シーン再構成のための階層型3DGSアルゴリズムであるRadiantを提案する。 Radiantは、リビルド品質を最大25.7%改善し、エンドツーエンドのレイテンシを79.6%削減した。
  論文  参考訳（メタデータ） (2024-12-07T05:48:00Z)
• 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)
• Spec-Gaussian: Anisotropic View-Dependent Appearance for 3D Gaussian Splatting [55.71424195454963]
  Spec-Gaussian は球面調和の代わりに異方性球面ガウス場を利用するアプローチである。 実験結果から,本手法はレンダリング品質の面で既存の手法を超越していることが示された。 この改良は、3D GSの適用性を高めて、特異面と異方面の複雑なシナリオを扱う。
  論文  参考訳（メタデータ） (2024-02-24T17:22:15Z)

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。