論文の概要: Birth-Death Structural Learning for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.34344v1
• Date: Sun, 25 Oct 2026 14:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.580803
• Title: Birth-Death Structural Learning for 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス平滑化のための生死構造学習
• Abstract要約: 3D Gaussian Splatting (3DGS) はリアルタイムなノベルビュー合成の標準表現となっている。 本稿では,構造決定を再構成損失から得られる変動スコアに置き換える原理的アプローチである3DGSの初発死制御を提案する。 本研究では,このスコアがSplat回帰モデルの最初の変動の座標であることを示す。
• 参考スコア（独自算出の注目度）: 2.5084857536903082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has become a standard representation for real-time novel-view synthesis. Yet, its quality-efficiency trade-off still relies heavily on adaptive density control. Existing cloning, splitting, and pruning rules use proxy signals, such as position gradients, opacity, and image-space error. Although effective in practice, these signals do not directly answer the structural question behind density control: where should new Gaussians be allocated to reduce the multi-view reconstruction loss, and which existing primitives can be pruned with minimal penalty. To address this, we propose first-variation birth-death control for 3DGS, a principled approach that replaces heuristic structural decisions with a variational score derived from the reconstruction loss. At each structural update, we freeze the current Gaussian population, attach auxiliary mass coordinates to each primitive, and differentiate the multiview loss with respect to these coordinates. We demonstrate that this score is a coordinate of the first variation of the Splat Regression Model, giving a rigorous local descent surrogate for birth-death moves: high-score Gaussians are selected as birth sites, while low-score, low-opacity Gaussians are selected for removal. Across standard 3DGS benchmarks, integrating this score into 3DGS-MCMC yields state-of-the-art reconstruction quality and outperforms existing methods, delivering the most significant gains under tight Gaussian budgets. Ultimately, our work provides compelling evidence that gradient-based variational metrics offer a principled alternative to proxy heuristics in 3DGS.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) はリアルタイムなノベルビュー合成の標準表現となっている。 しかし、品質効率のトレードオフは依然として適応密度制御に大きく依存している。 既存のクローニング、分割、プルーニングルールでは、位置勾配、不透明度、画像空間誤差などのプロキシ信号を使用する。 実効性はあるものの、これらの信号は密度制御の裏にある構造的な問題に直接答えるものではない: 複数ビューの再構成損失を減らすために新しいガウスをどこに割り当てるべきか、既存のプリミティブは最小限のペナルティで刈り取られるか。 そこで本研究では, ヒューリスティックな構造決定を再構成損失から導出した変動スコアに置き換える原理的アプローチである3DGSの初発死制御を提案する。 各構造更新では、現在のガウス人口を凍結し、各プリミティブに補助質量座標を付加し、これらの座標に関して多視点損失を区別する。 我々は,このスコアがSplat Regression Modelの最初の変動の座標であり,出生・死の移動に対して厳密な局所降下サロゲートを与えることを示した。 標準的な3DGSベンチマーク全体を通じて、このスコアを3DGS-MCMCに組み込むことで、最先端の再構築品質が得られ、既存の手法よりも優れており、ガウシアン予算の下で最も重要な利益をもたらす。 最終的に、我々の研究は、勾配に基づく変動測定が3DGSにおけるプロキシヒューリスティックスの原則的な代替手段であることを示す説得力のある証拠を提供する。

関連論文リスト

• SG-Splat: Stable Geometry Learning under Pose Uncertainty for Pose-Free 3D Gaussian Splatting [36.2142825576929]
  3Dガウススプラッティング(3DGS)は,3Dシーンの映像合成と3Dシーン再構成において有望な表現となっている。 近年,非ポーズ入力画像から直接ガウス表現を再構成する,ポーズフリーフィードフォワード3DGSの研究が進められている。 本稿では,ポーズレスフィードフォワード3DGSフレームワークであるSG-Splatについて述べる。
  論文  参考訳（メタデータ） (2026-10-26T12:50:21Z)
• CAdam: Context-Adaptive Moment Estimation for 3D Gaussian Densification in Generative Distillation [3.4998703934432682]
  密度ジレンマを解くために、文脈適応モーメント推定(CAdam)を導入する。 Cadamは、標準密度と比較してガウスの数を85%から97%削減し、全体的な同等の品質を保っている。 これらの結果から, 信号認識密度制御は, 最適化に基づく生成蒸留におけるメモリ効率の向上に有効であることがわかった。
  論文  参考訳（メタデータ） (2026-05-20T08:08:39Z)
• PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
  ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。 PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。 PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
  論文  参考訳（メタデータ） (2026-05-12T13:00:39Z)
• 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)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• 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)
• 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
  3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。 その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。 既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。 本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
  論文  参考訳（メタデータ） (2026-03-08T11:16:30Z)
• Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
  3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。 我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。 提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
  論文  参考訳（メタデータ） (2025-06-15T19:12:37Z)
• Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
  3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。 本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。 我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
  論文  参考訳（メタデータ） (2025-05-08T18:41:38Z)

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。