論文の概要: KoalaGS: Complexity-Aware Continuous Level of Detail for Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.28615v1
• Date: Tue, 20 Oct 2026 17:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.976538
• Title: KoalaGS: Complexity-Aware Continuous Level of Detail for Gaussian Splatting
• Title（参考訳）: KoalaGS: 複雑度を意識したガウススプレイティングの継続的な詳細レベル
• Abstract要約: 訓練された3Dガウススプレイティングシーンを計算予算の縮小の下で展開するには、1つのプリミティブセットを小さなプレフィックスでレンダリングする場合、有効にしておく必要がある。 パイロットスタディでは、画像の複雑さは、最適化前の入力ビューから計算され、再構成エラーが画像と3D空間に集中する場所を予測する。 KoalaGSでは, この複雑さを利用して, 粗い再構成領域に偏りを移すと同時に, LoD全体のスムーズな劣化を確実にする。 3つのデータセットでテストされたKoalaGSは、競合するフル容量の品質を維持しながら、予算スペクトル全体の品質を大幅に改善し、LoD間のスムーズな移行を実現し、より高速なプログレッシブストリーミングを実現している。
• 参考スコア（独自算出の注目度）: 13.664682865991255
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deploying a trained 3D Gaussian Splatting scene under shrinking compute budgets requires one primitive set to remain effective when rendered at smaller prefixes. In this continuous level of detail (LoD) setting, the challenge is to decide which Gaussians should retain capacity as the budget decreases. A pilot study on 3DGS-MCMC reconstructions shows that image complexity, computed from the input views before optimization, predicts where reconstruction error concentrates in image and 3D space. It also reveals that simple regions contain too many Gaussians and degrade as much as complex ones at lower budgets, despite being inherently cheaper to represent. Subsequently, in KoalaGS, during training we use this complexity prior to bias relocation toward poorly reconstructed areas while ensuring smooth degradation across LoDs. A primitive importance score then enables inference at low-capacity, while preserving the scene structure. Tested across three datasets, KoalaGS maintains competitive full-capacity quality while significantly improving quality across the budget spectrum, yielding smoother transitions across LoDs, and enabling faster progressive streaming.
• Abstract（参考訳）: 訓練された3Dガウススプレイティングシーンを計算予算の縮小の下で展開するには、1つのプリミティブセットを小さなプレフィックスでレンダリングする場合、有効にしておく必要がある。 この継続的な詳細(LoD)設定では、予算が減少するにつれて、どのガウスがキャパシティを維持するべきかを決定することが課題である。 3DGS-MCMC再構成のパイロット実験では、画像の複雑さは、最適化前に入力ビューから計算され、再構成エラーが画像と3D空間に集中する場所を予測する。 また、単純な領域にはガウシアンが多すぎることや、より低い予算で複雑な領域が分解されることも明らかにされている。 その後、KoalaGSでは、トレーニング中に、貧弱な再構成領域に偏りが移る前に、この複雑さを使いながら、LoD全体のスムーズな劣化を確実にします。 プリミティブな重要度スコアは、シーン構造を保持しながら、低容量での推論を可能にする。 3つのデータセットでテストされたKoalaGSは、競合するフル容量の品質を維持しながら、予算スペクトル全体の品質を大幅に改善し、LoD間のスムーズな移行を実現し、より高速なプログレッシブストリーミングを実現している。

関連論文リスト

• EffGS: Efficient and High-Fidelity Gaussian Splatting [11.036141519554405]
  EffGSはより一般的なアクセラレーションフレームワークで、トレーニングとレンダリングの効率を改善しながら、3DGSと同等以上の再現品質を維持している。 EffGSは周波数認識誘導、局所密度制御、適応プリミティブスケール変調を組み合わせた。
  論文  参考訳（メタデータ） (2026-09-30T11:52:18Z)
• 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)
• SPARE-GS: Structural Parsimony and Resource Efficiency for 3D Gaussian Splatting [70.5411715784827]
  3次元ガウス散乱(3DGS)は,高忠実な新規ビュー合成を実現する。 しかし、その訓練効率と表現のコンパクトさは、過剰な原始的な増殖によって妨げられている。 SPARE-GSは3次元ガウス原始体の分布を局所的な表現要求に動的に整合させるフレームワークである。
  論文  参考訳（メタデータ） (2026-07-18T03:55:12Z)
• 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)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• Improving Adaptive Density Control for 3D Gaussian Splatting [3.2248805768155835]
  3D Gaussian Splattingは、過去1年で最も影響力のある作品の1つだ。 シーン再構築の際に使用されるガウス的プリミティブの数を適切に管理する上での課題に直面している。 本稿では,適応密度制御機構の3つの改良点を提案する。
  論文  参考訳（メタデータ） (2025-03-18T14:09:10Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• Taming 3DGS: High-Quality Radiance Fields with Limited Resources [50.92437599516609]
  3D Gaussian Splatting (3DGS)は、高速で解釈可能で高忠実なレンダリングで新規ビュー合成を変換した。 予算で3DGSモデルをトレーニングし、レンダリングするという課題に取り組みます。 我々は、勾配計算と属性更新のための高速で数値的に等価な解を導出する。
  論文  参考訳（メタデータ） (2024-06-21T20:44:23Z)

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。