論文の概要: Gaussian Density Splatting Network

• arxiv url: http://arxiv.org/abs/2610.10396v1
• Date: Wed, 07 Oct 2026 16:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.0596
• Title: Gaussian Density Splatting Network
• Title（参考訳）: ガウス密度格子網
• Abstract要約: 本稿では,GDSNet(Gaussian Density Splatting Network)という新しいクラウドカウント手法を提案する。 従来のグリッドベースの密度マップに依存し、空間分解能に敏感な手法とは異なり、GDSNetは群衆を連続した2次元ガウス原始体の重ね合わせとして表現している。 4つの標準ベンチマークの大規模な評価は、GDSNetが一貫して最先端技術であることを示している。
• 参考スコア（独自算出の注目度）: 32.154069449117294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel crowd counting approach, the Gaussian Density Splatting Network (GDSNet). Unlike methods that rely on conventional, grid-based density maps and are sensitive to spatial resolution, GDSNet represents a crowd as a superposition of continuous 2D Gaussian primitives. Our approach is built upon two key contributions. First, we introduce a control-point-based fitting mechanism to structure the prediction of the Gaussian parameters. We design a method to allocate a set of control points that define local regions, from which features are pooled to regress each primitive's parameters. Second, we adapt a differentiable Gaussian Splatting framework to the counting task by parameterizing each primitive with geometric parameters and a scalar density mass. This formulation allows the network to be trained end-to-end via spatial matching of differentiably rendered density maps, naturally providing both local density supervision and global count optimization. Extensive evaluations on four standard benchmarks show GDSNet consistently outperforms the state of the art.
• Abstract（参考訳）: 本稿では,GDSNet(Gaussian Density Splatting Network)という新たなクラウドカウント手法を提案する。 従来のグリッドベースの密度マップに依存し、空間分解能に敏感な手法とは異なり、GDSNetは群衆を連続した2次元ガウス原始体の重ね合わせとして表現している。 私たちのアプローチは2つの重要なコントリビューションに基づいています。 まず、ガウスパラメータの予測を構造化する制御点ベースのフィッティング機構を導入する。 我々は,各プリミティブのパラメータを回帰するために,各特徴をプールしたローカル領域を定義する制御点のセットを割り当てる手法を設計する。 第二に、各プリミティブを幾何学的パラメータとスカラー密度質量でパラメータ化することにより、微分可能なガウススティングフレームワークをカウントタスクに適用する。 この定式化により、ネットワークは、異なるレンダリングされた密度マップの空間的マッチングを通じて、エンドツーエンドでトレーニングされ、局所密度監督とグローバルカウント最適化の両方が自然に提供される。 4つの標準ベンチマークの大規模な評価は、GDSNetが一貫して最先端よりも優れていることを示している。

関連論文リスト

• Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
  3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:37:20Z)
• Scaling of Gaussian Kolmogorov--Arnold Networks [2.589700903743416]
  ガウスカンが第1層の特徴幾何、条件付け、近似行動によってどのように影響するかを考察する。 この範囲は, 固定スケール選択, 可変スケール構成, () の制約付きトレーニング, および, MSE を用いた効率的なスケール探索に有用であることを示す。
  論文  参考訳（メタデータ） (2026-04-23T00:41:21Z)
• DSGC-Net: A Dual-Stream Graph Convolutional Network for Crowd Counting via Feature Correlation Mining [70.17284306493814]
  特徴相関マイニングに基づくDual-Stream Graph Convolutional NetworkであるDSGC-Netを提案する。 2つの意味グラフをモデル化することにより、密度の変動と表現分布の潜在的な特徴相関を捉える。 広く使われている3つのデータセットの実験では、DSGC-Netが現在の最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-02T12:35:33Z)
• GDGS: 3D Gaussian Splatting Via Geometry-Guided Initialization And Dynamic Density Control [6.91367883100748]
  Gaussian Splattingは、リアルタイムのパフォーマンスをサポートしながら、リアルな画像をレンダリングする代替手段である。 本稿では,初期化,最適化,密度制御における課題に対処するため,3次元ガウス分割法(3DGS)citeKerbl2023を提案する。 提案手法は,高忠実度画像をリアルタイムにレンダリングすることで,最先端の手法に匹敵する,あるいは優れた結果を示す。
  論文  参考訳（メタデータ） (2025-07-01T01:29:31Z)
• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
  3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。 一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。 本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• Generative adversarial learning with optimal input dimension and its adaptive generator architecture [3.9043107077488797]
  一般化GAN(Generalized GAN)と呼ばれる新しいフレームワークを導入する。 グループペナルティとアーキテクチャペナルティを取り入れることで、G-GANにはいくつかの興味深い特徴がある。 シミュレーションおよびベンチマークデータを用いて行った大規模な実験は、G-GANの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-06T03:30:02Z)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)

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。