論文の概要: Gaussian Stippling: Efficient Sorting-Free 3D Gaussian Rendering through Hybrid Sampling and Spatiotemporal Reconstruction
- arxiv url: http://arxiv.org/abs/2609.38488v1
- Date: Tue, 29 Sep 2026 20:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.713231
- Title: Gaussian Stippling: Efficient Sorting-Free 3D Gaussian Rendering through Hybrid Sampling and Spatiotemporal Reconstruction
- Title（参考訳）: Gaussian Stippling : ハイブリッドサンプリングと時空間再構成による効率的なSorting-Free 3D Gaussian Rendering
- Abstract要約: 従来の 3D Gaussian Splatting (3DGS) では、重なり合うプリミティブプリミティブを正しくレンダリングするために、ディープソートと順序付きアルファブレンディングが必要である。
3DGSで直接動作する効率的な注文非依存・再構築フレームワークを提案する。
本手法は,プリミティブベースおよびフラグメントベースのレンダリング方式を適応的に認識し,レンダリングを大幅に改善する。
実験により,我々のハイブリッド型ガウスストラップ法と多様なシーンで訓練された再構成ネットワークが組み合わさって,見えないシーンに一般化し,モバイル端末上でのインタラクティブかつ時間的に安定なレンダリングを,リトレーニングや前処理なしで実現できることが示された。
- 参考スコア（独自算出の注目度）: 14.210054657579375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional 3D Gaussian Splatting (3DGS) requires depth sorting and ordered alpha blending to correctly render overlapping Gaussian primitives. Stochastic transparency enables sorting-free rendering by replacing fractional alpha contributions with discrete stochastic visibility samples, but produces substantial spatial and temporal noise at low sample counts. We refer to this conversion from continuous Gaussian splats to discrete visibility samples as \textit{Gaussian Stippling}. Based on this, we present an efficient order-independent rendering and reconstruction framework that operates directly on unmodified 3DGS assets. Our method adaptively integrates primitive-based and fragment-based stippling, leveraging their complementary strengths across different rendering regimes to significantly improve rendering throughput. To recover high-quality images from sparse stochastic samples, we further introduce a lightweight Gaussian-aware spatiotemporal reconstruction network. By exploiting the Gaussian attributes retained by each stipple, the network aggregates structured stochastic clues across both space and time, effectively suppressing stippling noise. Experiments show that our hybrid Gaussian stippling method, coupled with a spatiotemporal reconstruction network trained on diverse scenes, generalizes to unseen scenes and enables interactive, temporally stable, and visually plausible rendering on mobile devices without retraining or preprocessing. With scene-specific training and appropriately scaled sampling and network capacity, our method further outperforms the baselines in visual quality, offering a high-fidelity configuration for quality-prioritized applications.
- Abstract（参考訳）: 従来の 3D Gaussian Splatting (3DGS) では、重複するガウス原始体を正しくレンダリングするために、深さのソートと順序のアルファブレンディングが必要である。
確率的透過性は、分数的なアルファコントリビューションを離散的な確率的可視性サンプルに置き換えることでソートフリーレンダリングを可能にするが、低いサンプル数で空間的および時間的ノイズを生じさせる。
連続ガウススプラットから離散可視標本への変換を「textit{Gaussian Stippling}」と呼ぶ。
そこで本研究では,非修飾3DGSの資産を直接運用する,効率的な秩序に依存しないレンダリング・再構築フレームワークを提案する。
提案手法はプリミティブベースとフラグメントベースのスチップリングを適応的に統合し,レンダリングのスループットを大幅に向上させる。
スパース確率的サンプルから高品質な画像を取り出すために,より軽量なガウス対応時空間再構成ネットワークを導入する。
各スティップルが保持するガウス属性を利用することで、ネットワークは空間と時間の両方にわたって構造化された確率的手がかりを集約し、スティップリングノイズを効果的に抑制する。
実験により,多種多様な場面で訓練された時空間再構成ネットワークと組み合わせたハイブリッドガウススチップリング法が,視覚的,対話的,時間的安定,視覚的可視的レンダリングをモバイルデバイス上で再現・前処理することなく実現可能であることが示された。
シーン固有のトレーニングと適切なスケールのサンプリングとネットワーク容量により、我々の手法は視覚的品質のベースラインよりも優れ、高品質なアプリケーションのための高忠実度構成を提供する。
関連論文リスト
- Incremental Online Scene Reconstruction by 3D Gaussian Triangulation [22.398131643187384]
本稿では,高忠実度メッシュを漸進的に再構築し,更新する新しいオンラインフレームワークを提案する。
また、ガウス集合からメッシュを効率的に抽出し、更新する直接メッシュアルゴリズムを提案する。
我々のフレームワークは、長時間の処理においてメモリと計算オーバーヘッドを大幅に削減する。
論文 参考訳（メタデータ） (2026-07-12T10:22:18Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。
従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。
我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文 参考訳（メタデータ） (2026-01-05T18:33:50Z) - Moment-Based 3D Gaussian Splatting: Resolving Volumetric Occlusion with Order-Independent Transmittance [5.202755118021748]
3D Gaussian Splatting (3DGS) は、高品質な放射場をリアルタイムに計算することで、新しいビューを形作り直した。
我々は,高忠実度伝送のための新しい手法により,3次元ガウス表現のレイゼーションに基づくレンダリングを拡張した。
論文 参考訳（メタデータ） (2025-12-12T18:59:55Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - Hybrid Mesh-Gaussian Representation for Efficient Indoor Scene Reconstruction [15.990758415989939]
3DGSとテクスチャメッシュを組み合わせた屋内シーンのハイブリッド表現を提案する。
我々のアプローチでは、テクスチャに富んだ平坦な領域を扱うためにテクスチャメッシュを使用し、複雑な測地をモデル化するためにガウス的を保っている。
広汎な実験により、ハイブリッド表現は同等のレンダリング品質を維持し、ガウスプリミティブを少なくして秒間FPSあたりの優れたフレームを実現することが示されている。
論文 参考訳（メタデータ） (2025-06-08T04:08:51Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。
我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文 参考訳（メタデータ） (2024-11-25T07:57:17Z) - DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。
大規模な環境下では、復元の質が悪くなる場合が少なくない。
本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文 参考訳（メタデータ） (2024-11-19T07:51:44Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z)
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。