論文の概要: BoundedGS: Memory-Efficient High-Resolution Training for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.34233v1
• Date: Sun, 25 Oct 2026 12:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.562622
• Title: BoundedGS: Memory-Efficient High-Resolution Training for 3D Gaussian Splatting
• Title（参考訳）: BoundedGS:3次元ガウススプラッティングのためのメモリ効率の高い高分解能トレーニング
• Abstract要約: 高分解能3次元ガウススプラッティング訓練は画素数とガウスタイル交叉数を増加させる。 全ビュー更新は、ビュー全体の勾配を集約する。 完全なトレーニングはレンダリングセットを9.972.3%から1.76 GiBに減らし、同様の再現品質を維持し、36.7から33.9分に短縮する。
• 参考スコア（独自算出の注目度）: 3.929452164972792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution 3D Gaussian Splatting training increases pixel and Gaussian-tile intersection counts, expanding rasterization caches that coexist with projection and gradient state at peak memory. A complete-view update aggregates gradients across the view; each region's forward and backward caches can be released after its contribution is collected. BoundedGS separates rasterization and projection backward passes and bounds the active local rasterization working set according to its measured load. Candidate-indexed projection and compact gradient storage address the view-level peaks exposed by this change, while CPU-assisted structure rebuilding and bounded image supply manage resources outside rendering. In a resolution sweep at a fixed count of about 6M Gaussians, the measured rendering working set stays within 1.073-1.077 GiB from 1K to 16K; at 11K, a warm pass takes 19.79 seconds versus 21.76 for full-frame execution. Across five native 5K outdoor scenes, full training reduces the mean rendering working set from 9.97 to 1.76 GiB (82.3%), retains similar reconstruction quality, and shortens training time from 36.7 to 33.9 minutes. Project page: https://xiaobin2001.github.io/BoundedGS-Web/
• Abstract（参考訳）: 高解像度の3Dガウススプラッティングトレーニングは画素数とガウスタイル交差数を増大させ、ピークメモリにおける投影と勾配状態と共存するラスタライズキャッシュを拡大する。 各リージョンの前方キャッシュと後方キャッシュは、コントリビューションが収集された後に解放される。 境界GSは、ラスタ化と投影を後方に分離し、その測定負荷に応じてアクティブな局所ラスタ化作業セットをバウンドする。 候補インデックス付きプロジェクションとコンパクトな勾配ストレージは、この変更によって露出するビューレベルピークに対処する。 約600万ガウスの固定数での解像度スイープでは、測定されたレンダリング作業セットは1Kから16Kまでの1.073-1.077 GiB内に留まり、11Kでは、フルフレーム実行に19.79秒、21.76秒を要する。 5つのネイティブな5K屋外シーンで、フルトレーニングにより、平均レンダリング作業セットが9.97から1.76 GiB (82.3%)まで減少し、同様の再現品質を維持し、トレーニング時間を36.7から33.9分に短縮する。 プロジェクトページ:https://xiaobin 2001.github.io/BoundedGS-Web/

関連論文リスト

• Laplacian Frequency Hierarchies for Efficient 3D Gaussian Splatting Training [10.003234443699606]
  3Dガウススプラッティングトレーニングにおける重要なボトルネックは、ガウス原始体の連続的な成長である。 本稿では、ラプラシアン画像分解と粗大な周波数ステージトレーニングを組み合わせた簡易で効率的な3DGS方式であるラプラシアン周波数階層を提案する。 平均速度は1Kで1.73xと1.21x、タミング3DGSとFastGSで4Kで1.74xと1.33xとなる。
  論文  参考訳（メタデータ） (2026-09-03T03:46:49Z)
• TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
  TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。 標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
  論文  参考訳（メタデータ） (2026-06-14T16:59:48Z)
• Speedy-Splat: Fast 3D Gaussian Splatting with Sparse Pixels and Sparse Primitives [60.217580865237835]
  3D Gaussian Splatting (3D-GS)は、3D Gaussian のパラメトリック点雲としてシーンをモデル化することで、新しいビューをリアルタイムにレンダリングすることのできる最近の3Dシーン再構築技術である。 レンダリング速度を大幅に向上させるために、3D-GSにおける2つの重要な非効率を同定し、対処する。 われわれのSpeedy-Splatアプローチはこれらの技術を組み合わせて、Mip-NeRF 360、Turps & Temples、Deep Blendingのデータセットから得られる、劇的な$mathit6.71timesで平均レンダリング速度を加速する。
  論文  参考訳（メタデータ） (2024-11-30T20:25:56Z)
• Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields [13.729716867839509]
  ハイパフォーマンスを維持しつつガウスの数を著しく削減する学習可能なマスク戦略を提案する。 さらに、格子型ニューラルネットワークを用いて、ビュー依存色をコンパクトかつ効果的に表現することを提案する。 我々の研究は、3Dシーン表現のための包括的なフレームワークを提供し、ハイパフォーマンス、高速トレーニング、コンパクト性、リアルタイムレンダリングを実現しています。
  論文  参考訳（メタデータ） (2024-08-07T14:56:34Z)
• 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)
• EAGLES: Efficient Accelerated 3D Gaussians with Lightweight EncodingS [40.94643885302646]
  3Dガウシアンスプラッティング(3D-GS)は、ノベルビューシーンの合成で人気がある。 レイディアンス・ニューラル・フィールド(NeRF)に関連する長いトレーニング時間と遅いレンダリング速度の課題に対処する。 本稿では,メモリ単位の記憶容量を大幅に削減するために,量子化埋め込みを利用する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:59:55Z)
• LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
  光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。 ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。 LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
  論文  参考訳（メタデータ） (2023-11-28T21:39:20Z)

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。