論文の概要: PocketSplat: Mobile Gaussian Reconstruction via World-Space Latent Allocatio

• arxiv url: http://arxiv.org/abs/2610.03192v1
• Date: Fri, 02 Oct 2026 12:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.356793
• Title: PocketSplat: Mobile Gaussian Reconstruction via World-Space Latent Allocatio
• Title（参考訳）: PocketSplat: World-Space Latent Allocatioによるモバイルガウス再構築
• Abstract要約: 本稿では,モバイルガウス資産構築のためのフィードフォワードフレームワークであるPocketSplatを紹介する。 所定の出力予算が与えられた後、PocketSplatは予測された世界空間において、密度の高い幾何学を意識した潜在候補を編成する。 Mip-NeRF 360では、PocketSplatはターゲットのiPhone上で直接実行し、デプロイ可能なストリーミングMVSplatよりもはるかに高速に、コンパクトで高品質なガウスアセットを構築する。
• 参考スコア（独自算出の注目度）: 14.107021342097354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile Gaussian reconstruction must satisfy two requirements: the reconstruction model must execute within a device resource envelope, and the resulting Gaussian asset must expose a representation size suited to downstream mobile use. Existing feed-forward Gaussian reconstructors commonly decode dense, image-aligned candidates whose final cardinality is implicitly determined by the input resolution and number of views. We present PocketSplat, a feed-forward framework for budgeted mobile Gaussian asset construction. Given a prescribed output budget, PocketSplat organizes dense geometry-aware latent candidates in predicted world space, allocates exact integer capacity across local latent cells, and decodes complete Gaussian attributes only for retained candidates. Cell-conditioned latent fusion aggregates repeated multi-view evidence before decoding, while spatial responsibility decoding adapts Gaussian support after local sparsification. Experiments on DL3DV and out-of-distribution benchmarks establish a strong quality--budget trade-off against feed-forward Gaussian reconstruction baselines. On Mip-NeRF 360, PocketSplat executes directly on a target iPhone and constructs compact, higher-quality Gaussian assets substantially faster than a deployable streamed MVSplat variant; native MVSplat and DepthSplat exceed the device memory budget.
• Abstract（参考訳）: 再構築モデルはデバイスリソースエンベロープ内で実行されなければならないし、その結果のガウスアセットは下流のモバイル利用に適した表現サイズを公開する必要がある。 既存のフィードフォワードガウス再構成器は、入力解像度とビュー数によって最終的な濃度が暗黙的に決定される画像整列候補を一般的にデコードする。 本稿では,モバイルガウス資産構築のためのフィードフォワードフレームワークであるPocketSplatを紹介する。 所定の出力予算が与えられた後、PocketSplatは、予測された世界空間において、密度の高い幾何学を意識した潜伏候補を整理し、局所潜伏セルに正確な整数容量を割り当て、保持された候補に対してのみ完全なガウス属性をデコードする。 細胞条件の潜伏核融合は復号前に何度も多視点の証拠を蓄積する一方、空間的責任の復号は局所的なスペール化後にガウスの支援に適応する。 DL3DVとアウト・オブ・ディストリビューション・ベンチマークの実験は、フィードフォワードガウスの再構築ベースラインに対する予算のトレードオフという強力な品質を確立する。 Mip-NeRF 360では、PocketSplatはターゲットのiPhone上で直接実行し、デプロイ可能なストリーミングMVSplatよりもはるかに高速でコンパクトで高品質なガウスアセットを構築する。

関連論文リスト

• Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
  3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。 本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
  論文  参考訳（メタデータ） (2026-08-16T09:43:50Z)
• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• AIR: Amortized Image Reconstruction Framework for Self-Supervised Feed-Forward 2D Gaussian Splatting [21.638608939423673]
  2次元ガウススプラッティングは、画像再構成のための効率的な明示的表現を提供する。 既存の手法では、画像毎のイテレーティブな最適化や、プリミティブなアロケーションのために手作りのプリミティブに依存する必要がある。 本稿では,1つのネットワークパスに反復的なガウスフィッティングを記憶する自己教師型フィードフォワードフレームワークであるAIRについて紹介する。
  論文  参考訳（メタデータ） (2026-05-20T07:17:22Z)
• SplatWeaver: Learning to Allocate Gaussian Primitives for Generalizable Novel View Synthesis [60.075770066276505]
  一般化可能な新しいビュー合成は、シーンごとの最適化を必要とせずに、未分類の入力画像から見えないビューを描画することを目的としている。 3次元ガウススプラッティングに基づく最近のフィードフォワードアプローチは、有望な効率とレンダリング品質を実現している。 SplatWeaverは、フィードフォワード方式で異なるリージョンにガウスプリミティブを動的に割り当てることができる。
  論文  参考訳（メタデータ） (2026-05-08T05:51:34Z)
• 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)
• F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
  本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。 本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。 実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-22T16:03:56Z)
• SPAGS: Sparse-View Articulated Object Reconstruction from Single State via Planar Gaussian Splatting [8.690795471370643]
  本稿では,平面ガウススプラッティングによるカテゴリー非依存のオブジェクト再構成フレームワークを提案する。 本手法は,合成データと実世界データの両方で高忠実な部分レベル表面再構成を実現する。
  論文  参考訳（メタデータ） (2025-11-21T09:49:53Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)

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。