論文の概要: Efficient Confidence-Aware Densification for 3DGS

• arxiv url: http://arxiv.org/abs/2610.13541v1
• Date: Fri, 09 Oct 2026 12:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.58569
• Title: Efficient Confidence-Aware Densification for 3DGS
• Title（参考訳）: 3DGSにおける高信頼度デンシフィケーション
• Abstract要約: 3DGS-MCMCは、固定された原始予算の下でのプレフリーデンシフィケーションのデファクトスタンダードである。 固定予算MCMCフレームワークにおけるエラー駆動型デンシフィケーションの復活を論じる。 信頼を意識した密度化は、不透明さの代わりに画像エラーによってプリミティブを配置します。
• 参考スコア（独自算出の注目度）: 9.537378754699398
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 3DGS-MCMC has replaced the gradient-driven density control of 3D Gaussian Splatting with opacity-based sampling and relocation, and is now the de facto standard for prior-free densification under a fixed primitive budget. Because opacity stays high where the scene is already well reconstructed, this sampling sends most new primitives to the foreground and leaves the background under-reconstructed. At low budgets, prior-based methods such as ConeGS and EDGS outperform it, at the cost of a pre-trained radiance field or dense image matches and a separate initialization stage. We argue for a comeback of error-driven densification within the fixed-budget MCMC framework. Our confidence-aware densification keeps the fixed budget and gradual growth of 3DGS-MCMC, but places primitives by the image error instead of the opacity. New primitives are drawn mostly where screen-space gradients are large. We favor primitives with a low learned confidence, which marks regions the reconstruction still explains poorly, and relocate the primitives that contribute least to the rendered images to these places. Averaged over 24 scenes, our method outperforms 3DGS-MCMC in PSNR, SSIM and LPIPS at every budget from 100k to 2M primitives. At 100k, without a prior or an initialization stage, it recovers 0.84dB of the 1.05dB PSNR by which ConeGS leads 3DGS-MCMC, and from 500k on, it has the highest PSNR and SSIM of all fixed-budget methods we compare with, including ConeGS and EDGS. While inherently prior-free, our densification can also exploit priors: from the ConeGS or EDGS initialization, it matches ConeGS in PSNR and SSIM at 100k and is best in all three metrics at 500k.
• Abstract（参考訳）: 3DGS-MCMCは、3Dガウススプラッティングの勾配駆動密度制御を不透明度に基づくサンプリングと再配置に置き換え、現在では固定原始予算の下でのプレフリーデンシフィケーションのデファクトスタンダードとなっている。 不透明度はシーンが十分に再構成されている場所で高いままなので、このサンプリングは、ほとんどの新しいプリミティブを前景に送信し、背景をアンダー再構成する。 低予算では、ConeGS や EDGS といった先進的な手法が、事前訓練された放射場や高密度画像マッチングと分離初期化段階のコストで性能を向上する。 固定予算MCMCフレームワークにおけるエラー駆動型デンシフィケーションの復活を論じる。 我々の信頼を意識した密度化は、3DGS-MCMCの固定予算と段階的な成長を維持するが、不透明さの代わりに画像誤差によってプリミティブを配置する。 新しいプリミティブは、主にスクリーン空間勾配が大きい場所で描画される。 我々は,低信頼のプリミティブを好んでおり,再現が不十分な地域をマークし,レンダリングされた画像に最も貢献するプリミティブをこれらの場所に再配置する。 提案手法は,PSNR,SSIM,LPIPSの3DGS-MCMCを1万から2万のプリミティブの予算で平均24シーンで上回った。 100kでは、先行または初期化段階なしで、ConeGSが3DGS-MCMCをリードする1.05dB PSNRの0.84dBを回復し、500k以降は、ConeGSやEDGSを含む、私たちが比較した固定予算手法の最も高いPSNRとSSIMを持つ。 ConeGSやEDGSの初期化から、PSNRではConeGS、100kではSSIMと一致し、500kでは3つの指標でベストです。

関連論文リスト

• G$^2$ARD-GS: Geometry-Guided Anchor-Regularized Gaussian Splatting Distillation [6.416507651682424]
  G$2$ARD-GSは、密度の強いガウスをコンパクトな表現に変換する幾何学誘導蒸留法である。 MatrixCityでは、G$2$ARD-GSがPSNR、SSIM、LPIPSとマッチする5倍の$--$30倍の圧縮予算を達成している。 凍結幾何として再利用された場合、コンパクトモデルはPUP 3D-GSよりも3.7$--4.9$,dBの軌道外適応を改善する。
  論文  参考訳（メタデータ） (2026-08-06T07:46:49Z)
• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• MMGS: 10$\times$ Compressed 3DGS through Optimal Transport Aggregation based on Multi-view Ranking [6.445070918236315]
  本稿では,グローバルな幾何分布マッチング問題としてガウス最適化を定式化する新しいフレームワークを提案する。 提案手法は,バニラ3DGSと比較して,プリミティブのtextbf10$%とトレーニング速度を高速化する textbf10$times$のみを用いて,最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2026-05-19T03:33:02Z)
• Drop-In Perceptual Optimization for 3D Gaussian Splatting [1.6849677514571988]
  我々は、複数のデータセットと3DGSフレームワークにまたがる39,320のペアワイドレーティングを含む、3DGSに関する、人類初の大規模主観的研究を行う。 WD-R と呼ばれる Wsserstein Distortion の正規化バージョンが明確な勝者として登場し、高いスプラ数を得ることなく細かいテクスチャを回復できる。
  論文  参考訳（メタデータ） (2026-03-23T17:42:49Z)
• ConeGS: Error-Guided Densification Using Pixel Cones for Improved Reconstruction with Fewer Primitives [27.616880434926646]
  3D Gaussian Splattingは、新しいビュー合成における最先端の画像品質とリアルタイム性能を実現する。 問題は、既存の幾何学に沿ってガウスを伝播させるクローンベースの密度化に起因している。 本研究では,既存のシーン形状に依存しない画像空間インフォームド・デンシフィケーション・フレームワークであるConeGSについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T07:54:58Z)
• Opacity-Gradient Driven Density Control for Compact and Efficient Few-Shot 3D Gaussian Splatting [0.0]
  本稿では,3DGSの最適化を最適化し,効率を優先するフレームワークを提案する。 我々は、標準位置勾配を、不透明度勾配をレンダリングエラーの軽量プロキシとして利用する新しい密度化トリガに置き換える。 3ビューのLLFFデータセットでは、我々のモデルはFSGSよりも40%以上コンパクト(32k対57kプリミティブ)であり、Mip-NeRF 360データセットでは約70%の削減を実現している。
  論文  参考訳（メタデータ） (2025-10-11T15:33:50Z)
• ExGS: Extreme 3D Gaussian Compression with Diffusion Priors [60.7245825868903]
  エクストリーム3DGS圧縮のためのExGSとGaussPainterを紹介する。 GassPainterは、欠落した領域を埋め、可視画素を強化し、劣化したレンダリングを大幅に改善する。 私たちのフレームワークは100X圧縮(典型的な354.77MBモデルから約3.31MBまで)も達成できます。
  論文  参考訳（メタデータ） (2025-09-29T13:23:06Z)
• 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)

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。