論文の概要: CVTSplat: Multi-view Reconstruction Using an Adaptive Centroidal Voronoi Tessellation

• arxiv url: http://arxiv.org/abs/2610.35347v1
• Date: Mon, 26 Oct 2026 12:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.929066
• Title: CVTSplat: Multi-view Reconstruction Using an Adaptive Centroidal Voronoi Tessellation
• Title（参考訳）: CVTSplat : Adaptive Centroidal Voronoi Tessellation を用いた多面的再建
• Abstract要約: ヴォロノイ・テッセルレーションは、テッセルレーションの再構築にコストがかかる不規則な細胞を生産する。 我々は、非均一な細胞サイズで標準を拡張しながら、計算を効率化する正規のよく整形された細胞を保存します。 我々のボロノイの建設は、この体制における汎用代替案の5倍から10倍の速度である。
• 参考スコア（独自算出の注目度）: 47.84526514536509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Voronoi tessellations have recently emerged as an adaptive, space-partitioning discretization for shape and appearance reconstruction from multi-view images. However, the irregular cells they produce make the repeated reconstruction of the tessellation during optimization costly. We therefore explore adaptive centroidal Voronoi tessellations (CVTs), which extend standard CVTs with non-uniform cell sizes while preserving the regular, well-shaped cells that make them efficient to compute. In CVTSplat, cell size is modulated by the evolving signed distance field, concentrating sites near the zero level set while keeping cells nearly centroidal. This regularity lets us specialize the whole pipeline, with GPU algorithms for nearest-neighbor queries and approximate Voronoi construction, and a rasterizer tailored to small, nearly isotropic cells. Our Voronoi construction is 5 to 10 times faster than general-purpose alternatives in this regime. On DTU and BlendedMVS, CVTSplat reaches geometric accuracy competitive with the best Gaussian-splatting surface methods while training in about 2.5 minutes on a single GPU.
• Abstract（参考訳）: 近年,多視点画像からの形状と外観再構成のための適応的,空間分割的な離散化として,ボロノイテッセルレーションが出現している。 しかし、それらが生成する不規則な細胞は、最適化中に繰り返しセル化を再構築する。 そこで我々は, 標準CVTを非一様細胞サイズで拡張する適応型遠心性Voronoiテッセルレーション (CVTs) について検討した。 CVTSplatでは、細胞の大きさは、細胞を遠心性に近い状態に保ちながら、ゼロレベルに近い部位に集中して、進化する符号付き距離場によって調節される。 この規則性によってパイプライン全体を専門化することができ、最寄りのクエリと近似されたヴォロノイの構成のためのGPUアルゴリズムと、小さな、ほぼ等方的なセルに適したラスタライザを備える。 我々のボロノイの建設は、この体制における汎用代替案の5倍から10倍の速度である。 DTUとBlendedMVSでは、CVTSplatは1つのGPUで2.5分程度のトレーニングをしながら、最高のガウス平滑化表面法と競合する幾何精度に達する。

関連論文リスト

• Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images [50.824193996370106]
  CellOは、画像ごとのフォワードパスを単一の病理基盤モデルで実行するための効率的なエンドツーエンドフレームワークである。 空間バイアスによる局所的形態的コンテキストを用いて各細胞表現を洗練する,距離遅延型クロスアテンションモジュールを提案する。 本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。
  論文  参考訳（メタデータ） (2026-09-29T00:40:28Z)
• CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation [42.60357708039613]
  3D Gaussian Splatting (3DGS) は、リアルタイムな新規ビュー合成のための強力な表現として登場した。 高忠実なシーンのレンダリングは、しばしば大量のガウスのプリミティブに依存している。 既存の単純化技術は、ほとんど侵入的であり、訓練時間の刈り取り、アーキテクチャの変更、あるいは計算的に高価なシーン毎の微調整を必要とする。 視覚的忠実度を犠牲にすることなく、トレーニングされた3DGSシーンを直接圧縮する、新しい最適化不要なポストホック単純化フレームワークであるCentro-GSを提案する。
  論文  参考訳（メタデータ） (2026-09-08T13:26:32Z)
• MPTF-Net: Multi-view Pyramid Transformer Fusion Network for LiDAR-based Place Recognition [12.521587523389343]
  MPTF-Netは、新しいマルチビュー・マルチスケールピラミッドトランスフォーマー融合ネットワークである。 我々のコアコントリビューションは、局所的な幾何学的複雑性と強度分布を明示的にモデル化したマルチチャネルNDTベースのBEV符号化である。 nuScenes、KITTI、NCLTデータセットの実験は、MPTF-Netが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-06T08:27:02Z)
• FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
  低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。 当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
  論文  参考訳（メタデータ） (2025-05-23T14:37:00Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• Multi-scale Topology Optimization using Neural Networks [2.8154992696398784]
  長年の課題は、細胞間の良好な接続性を備えたマルチスケール構造を設計することである。 ニューラルネットワークを用いた直接マルチスケールトポロジ最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:00:22Z)

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。