論文の概要: GLoD-LVSM: Learning Geometry-Grounded Continuous-LoD Scene Representations for Large View Synthesis Models

• arxiv url: http://arxiv.org/abs/2610.20254v1
• Date: Wed, 14 Oct 2026 14:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.201674
• Title: GLoD-LVSM: Learning Geometry-Grounded Continuous-LoD Scene Representations for Large View Synthesis Models
• Title（参考訳）: GLoD-LVSM:大規模ビュー合成モデルのための幾何学学習型連続ロッドシーン表現
• Abstract要約: 大規模なビュー合成モデル(LVSM)はスパースビューからシーンを再構築し、新しいビューを素早くレンダリングするが、トークンの冗長性のために不要なストレージとレンダリングコストを発生させる。 連続的な詳細レベルを持つLVSMのためのコンパクトで幾何学的なシーン表現であるGLoD-LVSMを提案する。
• 参考スコア（独自算出の注目度）: 6.663830690098589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large view synthesis models (LVSMs) reconstruct scenes from sparse views and render novel views quickly, but they incur unnecessary storage and rendering costs due to token redundancy. We present GLoD-LVSM, a compact, geometry-grounded scene representation for LVSMs with continuous levels of detail. First, instead of learning a fixed set of scene anchor initializations, GLoD-LVSM learns a continuous field that initializes a flexible number of anchors to match the desired budget. A condenser then aggregates scene information into these anchors, with both the field and condenser trained end-to-end. Second, the condenser infers reference-token and anchor geometry to guide compression through geometry-grounded attention, improving rendering quality and enabling frustum culling during decoding. Compared with existing LVSM scene-compression baselines, GLoD-LVSM achieves the best trade-off between rendering quality and scene token count. Compared with the uncompressed base model, GLoD-LVSM reduces the scene-token count by 33.4% and accelerates rendering by $1.23\times$ with no quality loss. Under a relaxed quality-loss budget, the reduction increases to 85.5%, with $3.00\times$ rendering speedup. Further analysis reveals that view-synthesis supervision yields emergent scene depth and self-organized anchors that align with surfaces and adapt their density to local texture complexity. Beyond rendering, we further show that our scene representation also supports scene-semantic understanding, highlighting its potential for broader downstream tasks.
• Abstract（参考訳）: 大規模なビュー合成モデル(LVSM)は、スパースビューからシーンを再構築し、新しいビューを素早くレンダリングするが、トークンの冗長性のために不要なストレージとレンダリングコストを発生させる。 連続的な詳細レベルを持つLVSMのためのコンパクトで幾何学的なシーン表現であるGLoD-LVSMを提案する。 まず、シーンアンカーの初期化の固定セットを学ぶ代わりに、GLoD-LVSMは、望ましい予算に合うフレキシブルな数のアンカーを初期化する連続フィールドを学習する。 その後、コンデンサーがシーン情報をアンカーに集約し、フィールドとコンデンサーの両方がエンドツーエンドで訓練される。 第二に、コンデンサは参照トークンとアンカージオメトリを推論し、ジオメトリーグラウンドの注意を通して圧縮をガイドし、レンダリング品質を改善し、復号時のフラストレーションカリングを可能にする。 既存のLVSMのシーン圧縮ベースラインと比較して、GLoD-LVSMはレンダリング品質とシーントークン数との最良のトレードオフを達成する。 圧縮されていないベースモデルと比較して、GLoD-LVSMはシーントーケン数を33.4%削減し、レンダリングを1.23\times$に高速化する。 緩やかな品質損失の予算の下では、この削減は85.5%に増加し、3.00\times$レンダリングスピードアップとなった。 さらに分析したところ、ビューシンセサイザーは、表面と整合し、その密度を局所的なテクスチャの複雑さに適応させる、創発的なシーン深さと自己組織化アンカーをもたらすことが明らかとなった。 レンダリング以外にも、シーン表現はシーンセマンティックな理解もサポートしており、より広範な下流タスクの可能性を強調している。

関連論文リスト

• CoTL: Compact Token Learning for 3D Scene Representation [20.583785560656253]
  CoTLはコンパクトなトークン集合を学習するフレームワークで、シーンの幾何学と外観を、未提示のマルチビュー画像から学習する。 RealEstate10K と ACID の実験は、結果として得られるコンパクトで非構造化トークンセットが競合する新規ビュー合成をサポートすることを示している。
  論文  参考訳（メタデータ） (2026-10-13T14:17:30Z)
• QuARC-GS: Quantized Anchored Residual Coding for Compact Dynamic Scene Streaming with Gaussian Splatting [14.288484670920399]
  QuARC-GSは、オンライン動的シーン再構築のための量子化対応4Dシーン最適化フレームワークである。 復元速度と品質を維持しながら超高圧縮を実現する。 広く使用されているデータセットの実験では、QuARC-GSが競合する再構築品質とトレーニング速度を実現することが示されている。
  論文  参考訳（メタデータ） (2026-08-18T20:06:16Z)
• LiteFrame: Efficient Vision Encoders Unlock Frame Scaling in Video LLMs [90.77662862634509]
  LiteFrameは、ビデオ大言語モデルのための強力な、しかし非常に効率的なバックボーンである。 LiteFrameはエンドツーエンドのレイテンシを35%削減し、8$times$より多くのフレームを処理する。 計算予算の固定化により,より長めの映像理解を解き明かす可能性を示した。
  論文  参考訳（メタデータ） (2026-05-17T05:02:52Z)
• Dense Video Understanding with Gated Residual Tokenization [49.17263029080152]
  高時間分解能は、ビデオ理解における微細な細部を捉えるのに不可欠である。 現在のベンチマークは主に低フレームレートサンプリングに依存している。 Dense Video Understanding (DVU)は、トークン化時間とトークンオーバーヘッドの両方を削減することで、高FPSビデオの理解を可能にする。
  論文  参考訳（メタデータ） (2025-09-17T17:34:40Z)
• SAMJAM: Zero-Shot Video Scene Graph Generation for Egocentric Kitchen Videos [93.29815497662877]
  VidSGGの現在のモデルはシーングラフを作成するために広範囲なトレーニングを必要とする。 本稿では,SAM2の時間追跡とGeminiのセマンティック理解を組み合わせたゼロショットパイプラインSAMJAMを提案する。 我々は、SAMJAMが、EPIC-KITCHENSとEPIC-KITCHENS-100データセットの平均リコールにおいて、Geminiを平均8.33%上回っていることを実証的に示す。
  論文  参考訳（メタデータ） (2025-04-10T15:43:10Z)
• Constructing Holistic Spatio-Temporal Scene Graph for Video Semantic Role Labeling [96.64607294592062]
  Video Semantic Label Roleing (VidSRL)は、与えられたビデオから健全なイベントを検出することを目的としている。 近年、VidSRLの手法が提案されているが、2つの重要な欠点を負う可能性がある。
  論文  参考訳（メタデータ） (2023-08-09T17:20:14Z)

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。