論文の概要: PLEDGE: Progressive Lossy Error-Bounded Compression of 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2610.17605v1
- Date: Tue, 13 Oct 2026 02:25:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 18:15:33.989622
- Title: PLEDGE: Progressive Lossy Error-Bounded Compression of 3D Gaussian Splatting
- Title（参考訳）: PLEDGE: プログレッシブ・ロシー・エラー境界圧縮による3Dガウス平滑化
- Abstract要約: PLEDGEは4つのユーザ宣言型寛容を原始量子化境界に変換する。
境界は、これまで見えなかった視点を含む、宣言されたカメラ領域全体に適用される。
実験は、メカニズム当たりの全ての宣言された境界を検証し、競争速度歪曲性能を実証する。
- 参考スコア（独自算出の注目度）: 10.307272141463935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing 3D Gaussian Splatting (3DGS) codecs report reconstruction quality after compression, and give users little control over the distortion of individual primitives. We present PLEDGE, a training-free, progressive, error-bounded codec that translates four user-declared tolerances into per-primitive quantization bounds: screen-space position, footprint deformation due to rotation and scale, view-dependent color, and opacity. The bounds apply throughout a declared camera domain, including previously unseen viewpoints. Position and opacity are bounded directly; footprint deformation is bounded under the rasterizer's affine projection model, and color is bounded over all viewing directions. PLEDGE organizes quantized residuals into a progressive bitstream with explicit error bounds for every valid prefix. Experiments across thirteen scenes verify all declared per-mechanism bounds and demonstrate competitive rate-distortion performance. The four tolerances incur substantially different rate costs, so users can spend rate where their application needs it.
- Abstract（参考訳）: 既存の3D Gaussian Splatting (3DGS)コーデックは圧縮後の復元品質を報告し、ユーザーは個々のプリミティブの歪みをほとんど制御できない。
PLEDGEは4つのユーザ宣言型寛容を、画面空間の位置、回転とスケールによるフットプリントの変形、ビュー依存色、不透明度といった原始量子化バウンダリに変換するトレーニングフリーでプログレッシブなエラーバウンドコーデックである。
境界は、これまで見えなかった視点を含む、宣言されたカメラ領域全体に適用される。
位置と不透明度は直接有界であり、フットプリントの変形はラスタライザのアフィン投影モデルの下で有界であり、色はすべての視角で有界である。
PLEDGEは、量子化された残基を、有効なプレフィックスごとに明示的なエラー境界を持つプログレッシブビットストリームに整理する。
13のシーンでの実験では、メカリズム当たりの全ての宣言された境界を検証し、競争速度歪曲性能を示す。
4つの許容度は大幅に異なるレートコストを発生させるため、ユーザはアプリケーションに必要なレートを使用できます。
関連論文リスト
- PulseQuant: Propagation-Guided Subspace Correction for 4-Bit Video Diffusion Transformers [46.65151972014436]
PulseQuantは、軌道感度とアクティベーション幾何を組み合わせてオフラインキャリブレーションを誘導する4ビット後量子化法である。
制御された介入は、短水平伝播誤差が即時ブロック出力誤差よりも確実に最終潜時誤差を予測することを示している。
論文 参考訳（メタデータ） (2026-09-27T09:04:51Z) - S4R: Scaling for Rigid-Body Interpenetration Resolution [77.64742259295664]
静的相互接続修復のためのスケール継続法であるS4Rを提案する。
メッシュレベルの共有評価器とシーン毎の統一タイミングプロトコルを用いて,Kubric,HY3D-Bench,Thingi10K上のS4Rを評価する。
論文 参考訳（メタデータ） (2026-09-17T15:02:45Z) - GLUT: 3D Gaussian Lookup Table for Continuous Color Transformation [17.14390334312844]
Gaussian LUT (GLUT) は、学習可能な3Dガウスプリミティブの集合を用いて色変換をモデル化する連続的で明示的な色表現である。
この表現に基づいて,複数のLUTインスタンスに対してGLUTパラメータを予測し,スムーズかつ制御可能なLUTスタイルのブレンディングを実現するために,多彩なカラースタイルを単一のフレームワークで符号化する,コンパクト条件生成器(CGLUT)を導入する。
実験の結果,従来のLUT表現よりも精度と効率が優れ,解釈性や対話性も向上した。
論文 参考訳（メタデータ） (2026-05-19T14:17:44Z) - TokenGS: Decoupling 3D Gaussian Prediction from Pixels with Learnable Tokens [25.44390249542703]
我々は、カメラ線に沿った奥行きが最適であるとして、ガウスを退避させる一般的な実践は、準最適であると主張する。
本稿では,自己教師付きレンダリング損失のみを用いて,3次元平均座標を直接回帰する手法を提案する。
提案手法であるTokenGSは、ノイズやマルチビューの不整合に対処するための堅牢性の向上を実証する。
論文 参考訳（メタデータ） (2026-04-16T17:12:37Z) - 3DTurboQuant: Training-Free Near-Optimal Quantization for 3D Reconstruction Models [2.0789144738685956]
既存の3Dコンストラクタ圧縮方法は、シーンごとの微調整を通じてデータ依存のコードブックを学習する必要がある。
これらのモデルにおける記憶を支配しているパラメータベクトルは、単一のランダム回転が任意の入力を既知のベータ分布の座標に変換する次元範囲に該当する。
我々は,(1)どのパラメータを量子化して,どのビット幅で実験を行うことができるかを予測する次元依存的基準,(2)量子化MSEとシーン毎のレンダリングPSNRを接続するノルム分離境界,(3)回転ベースの量子化を拡張したエントリグループ化戦略を導出する。
論文 参考訳（メタデータ） (2026-04-07T03:06:05Z) - Quantized Visual Geometry Grounded Transformer [67.15451442018258]
本稿では,VGGTの最初の量子化フレームワーク,すなわちQuantVGGTを提案する。
球状前アダマール回転と局所流路平滑化を統合したDual-Smoothed Fine-Grained Quantizationを導入する。
また、重層統計量を用いて外周をフィルタするノイズフィルタディバースサンプリングを設計する。
論文 参考訳（メタデータ） (2025-09-25T15:17:11Z) - 4DGC: Rate-Aware 4D Gaussian Compression for Efficient Streamable Free-Viewpoint Video [56.04182926886754]
3D Gaussian Splatting (3DGS)は、フォトリアリスティック・フリー・ビューポイント・ビデオ(FVV)体験を可能にする大きな可能性を秘めている。
既存の方法は、動的3DGS表現と圧縮を別々に扱うのが一般的である。
本稿では,FVVのRD性能を向上しつつ,ストレージサイズを大幅に削減するレート対応4Dガウス圧縮フレームワークである4DGCを提案する。
論文 参考訳（メタデータ） (2025-03-24T08:05:27Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
本稿では,4DGSのためのメモリ効率フレームワークを提案する。
TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。
レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
論文 参考訳（メタデータ） (2024-10-17T14:47:08Z)
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。