論文の概要: RLSplat: Resource-Linear Budget Control for Feed-forward 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.27712v1
• Date: Tue, 20 Oct 2026 06:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.674071
• Title: RLSplat: Resource-Linear Budget Control for Feed-forward 3D Gaussian Splatting
• Title（参考訳）: RLSplat: フィードフォワード3次元ガウス平滑化のための資源線予算制御
• Abstract要約: Feed-forward 3D Gaussian Splatting (FF3DGS)は、1つの前方パスの画像から3Dシーンを再構築する。 資源線形の予算制御可能なFF3DGSフレームワークであるRSplatを提案する。
• 参考スコア（独自算出の注目度）: 35.1047908875696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward 3D Gaussian Splatting (FF3DGS) reconstructs 3D scenes from images in a single forward pass, making it well-suited to applications that must operate within limited resource budgets. To further improve its practicality, recent budget-controllable FF3DGS methods allow the number of Gaussians to be adjusted at inference, so that the output meets a given storage limit or rendering-latency constraint. However, these methods overlook the cost of inference itself: to produce a representation with the target number of Gaussians, they first predict a dense set of Gaussians and then prune or select from it, requiring nearly constant latency and peak memory regardless of the budget. We therefore propose RLSplat, a resource-linear budget-controllable FF3DGS framework whose representation size, inference latency, and peak memory all decrease linearly as the Gaussian budget is reduced. Instead of pruning or selection, RLSplat learns a Gaussian allocation policy that distributes the budget across local scene regions, so that exactly the requested number of Gaussians is generated. These Gaussians are then refined through resource-linear Gaussian decoding, in which each Gaussian attends only to nearby Gaussians found via an efficient hierarchical neighbor search, so that the decoding cost decreases linearly with fewer Gaussians. In zero-shot evaluation, RLSplat outperforms prior budget-controllable methods at every budget, surpassing the strongest baseline even with 4$\times$ fewer Gaussians, while running up to 4.1$\times$ faster with 9.6$\times$ less peak memory at low budgets.
• Abstract（参考訳）: Feed-forward 3D Gaussian Splatting (FF3DGS)は、単一のフォワードパス内の画像から3Dシーンを再構築する。 実用性をさらに向上するため、最近の予算管理可能なFF3DGS法では、ガウスの数を推論で調整することができ、出力が所定のストレージ制限やレンダリングレイテンシ制約を満たすようにしている。 しかし、これらの手法は推論自体のコストを見落としている: ガウスのターゲット数で表現を生成するために、まずは密度の高いガウスの集合を予測し、それからプーンまたはセレクトし、予算に関係なくほぼ一定レイテンシとピークメモリを必要とする。 そこで我々は,資源線形制御可能なFF3DGSフレームワークであるRSplatを提案する。 RLSplatはプルーニングやセレクションの代わりに、ローカルシーンに予算を分散するガウス割当ポリシーを学習し、要求されたガウスの数を正確に生成する。 これらのガウシアンは資源線形ガウシアン復号(英語版)によって洗練され、ガウシアンは効率の良い階層的な近隣探索によって発見されたガウシアンにのみ出席するので、より少ないガウシアンでは復号コストが線形に減少する。 ゼロショット評価では、RTSplatは予算ごとに事前の制御可能な手法より優れており、4$\times$少ないガウシアンでも最強のベースラインを上回り、4.1$\times$より高速で9.6$\times$低いピークメモリを達成している。

関連論文リスト

• Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
  フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。 再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
  論文  参考訳（メタデータ） (2026-04-06T17:24:18Z)
• 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)
• ReSplat: Learning Recurrent Gaussian Splats [98.14472247275512]
  ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。 我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。 提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:59Z)
• Second-order Optimization of Gaussian Splats with Importance Sampling [51.95046424364725]
  3D Gaussian Splatting (3DGS) は、高品質で高速な推論時間のため、新しいビューレンダリングに広く用いられている。 本稿では,Levenberg-Marquardt (LM) と Conjugate Gradient (CG) に基づく新しい2階最適化手法を提案する。 提案手法は標準LMよりも3倍の高速化を実現し,ガウス数が少ない場合のAdamを6倍の6倍の速さで上回る。
  論文  参考訳（メタデータ） (2025-04-17T12:52:08Z)
• ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。 近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。 本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-21T18:55:14Z)
• GaussianSpa: An "Optimizing-Sparsifying" Simplification Framework for Compact and High-Quality 3D Gaussian Splatting [12.342660713851227]
  3D Gaussian Splatting (3DGS) は、ガウス関数の連続的な集合を利用して、新しいビュー合成の主流として登場した。 3DGSは、ガウシアンの多さを記憶するためのかなりのメモリ要件に悩まされており、その実用性を妨げている。 コンパクトで高品質な3DGSのための最適化ベースの単純化フレームワークであるGaussianSpaを紹介する。
  論文  参考訳（メタデータ） (2024-11-09T00:38:06Z)

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。