論文の概要: Budgeted-GS: Real-Time Large-Scale Gaussian Splatting via Factoring LOD

• arxiv url: http://arxiv.org/abs/2610.03162v1
• Date: Fri, 02 Oct 2026 11:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.351239
• Title: Budgeted-GS: Real-Time Large-Scale Gaussian Splatting via Factoring LOD
• Title（参考訳）: Budgeted-GS: ファクタリングLODによるリアルタイム大規模ガウススプレイティング
• Abstract要約: 3D Gaussian Splattingはリアルタイムレンダリングで優れた視覚的品質を実現するが、都市全体の規模では適合しない。 トレーニングされたモデルは、数百万のプリミティブとギガバイトのメモリを持ち、コンシューマGPUの高品質なリアルタイムレンダリングは、まだ到達できないままです。 トレーニングされた3DGSモデルをファクタリングツリーに変換する手法であるBudgeted-GSを紹介する。
• 参考スコア（独自算出の注目度）: 2.4102112513612597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting achieves excellent visual quality with real-time rendering, but at the scale of entire cities it does not fit: a trained model carries millions of primitives and gigabytes of memory, and real-time rendering at high quality on a consumer GPU remains out of reach. We introduce Budgeted-GS, a post-hoc method that turns any trained 3DGS model into a factoring tree, a multi-resolution hierarchy of moment-matched aggregates. After a construction pass of a few seconds, a single quality parameter selects, for each view, the level of detail that fits the memory of the target device, so the same city-scale model serves GPUs with widely different memory capacities. When a new scene is to be trained, the same theory applies: instead of growing a full-sized model and compressing it afterwards, budget-centered training first measures how many primitives the scene needs and then trains the model directly at that size, avoiding the wasted effort of optimizing primitives that are later discarded. Both methods are grounded in a measurable capacity floor, a budget-error law derived from optimal transport in phase space; selection rules certified by recent covering theorems decide which primitives are redundant. The floor answers how many primitives a scene actually needs and how many can safely be given up. We validate the floor on 13 public scenes under a preregistered protocol, and exercise both methods from object scenes to an official city capture, rendering it at native 1920x1080, full SH, in real time on one consumer GPU.
• Abstract（参考訳）: 3D Gaussian Splattingはリアルタイムレンダリングで優れた視覚的品質を実現するが、都市全体の規模では適していない。 Budgeted-GSは、任意の訓練された3DGSモデルを、モーメントマッチングされたアグリゲーションの多分解能階層であるファクタリングツリーに変換するポストホック手法である。 数秒で構築された後、単一の品質パラメータがそれぞれのビューに対して、ターゲットデバイスのメモリに適合する詳細レベルを選択するため、同じ都市スケールモデルが、メモリ容量の広いGPUを提供する。 フルサイズのモデルを成長させ、その後圧縮するのではなく、予算中心のトレーニングは、最初にシーンに必要なプリミティブ数を計測し、その後破棄されたプリミティブを最適化する無駄な労力を避けるために、そのサイズでモデルを直接訓練する。 どちらの手法も測定可能な容量フロア(位相空間の最適輸送から導かれる予算エラー法)に基礎を置いており、最近の被覆定理によって証明された選択規則は、どの原始体が冗長であるかを決定する。 フロアは、シーンが実際に必要とするプリミティブの数と、安全に放棄できるプリミティブの数に答えます。 事前に登録されたプロトコルで13の公開シーンのフロアを検証し、オブジェクトシーンから公式の都市キャプチャーまで両方の手法をエクササイズし、1920×1080, full SHで1つのGPU上でリアルタイムにレンダリングする。

関連論文リスト

• SLAG: Scalable Language-Augmented Gaussian Splatting [19.643023058839603]
  言語拡張されたシーン表現は、検索・救助、スマートシティ、鉱業といった大規模ロボット工学の応用に大きな期待を抱いている。 これらのシナリオの多くは時間に敏感で、高速なシーンエンコーディングを必要とする一方で、データ集約型でスケーラブルなソリューションを必要とする。 言語拡張されたガウススプラッティングのためのマルチGPUフレームワークであるSLAGを導入し、大きなシーンの埋め込みのスピードとスケーラビリティを向上させる。
  論文  参考訳（メタデータ） (2025-05-12T23:32:24Z)
• SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining [100.23919762298227]
  現在、既存のすべてのメソッドは、トレーニング中や推論時に2Dまたはテキストのモダリティに依存している。 我々はSceneSplatを紹介し,3DGSで動作する最初の大規模屋内シーン理解手法について紹介する。 ラベルのないシーンからリッチな3D特徴学習を解放する自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2025-03-23T12:50:25Z)
• 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)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• CityGaussian: Real-time High-quality Large-Scale Scene Rendering with Gaussians [64.6687065215713]
  CityGaussianは、大規模な3DGSのトレーニングとレンダリングを効率化するために、新しい分別/分別トレーニングアプローチとLevel-of-Detail(LoD)戦略を採用している。 我々のアプローチは最先端のレンダリング品質を実現し、大規模なシーンを全く異なるスケールで一貫したリアルタイムレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-04-01T14:24:40Z)

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。