論文の概要: CTBakeGS: training-free baking of photorealistic CT volume renderings into 3D Gaussian splats

• arxiv url: http://arxiv.org/abs/2610.37406v1
• Date: Tue, 27 Oct 2026 15:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.675832
• Title: CTBakeGS: training-free baking of photorealistic CT volume renderings into 3D Gaussian splats
• Title（参考訳）: CTBakeGS:3次元ガウススプラットへのフォトリアリスティックCTボリュームレンダリングのトレーニング不要ベーキング
• Abstract要約: 既存の医療アプローチでは、各シーンを数分から数時間訓練する。 我々はCT量をトレーニングなしで直接3DGSモデルに変換することを目指していた。 スプラットはミリメートルサイズの細胞の適応オクツリー上に置かれた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photorealistic volume rendering of computed tomography (CT) may convey anatomy intuitively, but it needs the CT data, dedicated software and a powerful graphics processor. Three-dimensional Gaussian splatting (3DGS) displays photorealistic scenes in real time on less powerful devices, but existing medical approaches train each scene for minutes to hours. We aimed to convert a CT volume rendering directly into a 3DGS model without training. Splats were placed on an adaptive octree of millimetre-sized cells. Their colour and opacity were computed on the graphics processor with the renderer's lighting, cell opacity was converted analytically into splat opacity, and faint splats were retained stochastically above the 1/255 opacity floor of standard 3DGS rasterisers. Six public CT scans (1.5-mm voxels) were converted with three transfer functions and compared with converged references by peak signal-to-noise ratio (PSNR), structural similarity and a learned perceptual metric. Two-million-splat models reached a PSNR of 32.6 +/- 0.9 dB for bone, 30.1 +/- 1.0 dB for contrast-enhanced vessels and 32.3 +/- 1.5 dB for skin and bone. A conversion pass (usually two or three per model) took 4-30 s on a current laptop and 9-60 s on a desktop with a 4-GB graphics card. On the laptop, the models rendered at 68 frames per second at 800 x 800 pixels. Training-free conversion produced real-time 3DGS models of photorealistic CT renderings in about a minute or less per conversion pass on ordinary computers, with fidelity that we consider sufficient for interactive viewing.
• Abstract（参考訳）: 計算トモグラフィ(CT)のフォトリアリスティックボリュームレンダリングは解剖学を直感的に伝達するが、CTデータ、専用ソフトウェア、強力なグラフィックスプロセッサが必要である。 3次元ガウススプラッティング(3DGS)は、低消費電力デバイス上でリアルタイムで写実的なシーンを表示するが、既存の医療手法では、各シーンを数分から数時間訓練する。 我々はCTボリュームレンダリングを直接3DGSモデルに変換することを目標とした。 スプラットはミリメートルサイズの細胞の適応オクツリー上に置かれた。 それらの色と不透明度は、レンダラーの照明でグラフィックスプロセッサ上で計算され、セルの不透明度は解析的にスプラ・不透明度に変換され、かすかなスプラは標準3DGSラスタの1/255不透明度階の上に確率的に保持された。 6つのパブリックCTスキャン(1.5mmボクセル)を3つの伝達関数で変換し,ピーク信号-雑音比(PSNR),構造的類似度,学習的知覚測定値による収束基準と比較した。 200万枚のスプラモデルでは、骨が32.6 +/-0.9 dB、コントラストが強化された血管が30.1 +/- 1.0 dB、皮膚と骨が32.3 +/-1.5 dBのPSNRに達した。 コンバージョンパス(通常モデルごとに2～3枚)は、現在のラップトップで4～30秒、デスクトップで9～60秒、グラフィックカードで4GBであった。 ラップトップでは、モデルは毎秒68フレーム、800 x 800ピクセルでレンダリングされる。 トレーニング不要な変換は,通常のコンピュータ上での変換パスあたり約1分以下で,リアルタイムの3DGSモデルを生成し,インタラクティブな視聴に十分な忠実さを考慮に入れた。

関連論文リスト

• 3D Reconstruction and Knowledge Distillation to Improve Multi-View Image Models to Explore Spike Volume Estimation in Wheat [2.755500174935957]
  小麦スパイク体積の正確な推定は, 収量成分分析と応力抵抗性評価に重要である。 光検出・ランドング(LiDAR)や飛行時間(ToF)といったアクティブな3Dセンシング手法は、植物の動きに敏感であり、屋外条件には適さない。 画像のみの効率的な推論を実現しつつ,訓練中に知識蒸留を行うハイブリッド2D-3D手法を提案する。
  論文  参考訳（メタデータ） (2026-05-20T09:26:47Z)
• Render-FM: A Foundation Model for Real-time Photorealistic Volumetric Rendering [28.764513004699676]
  我々は,CTスキャンの直接リアルタイムレンダリングのための新しい基礎モデルRender-FMを提案する。 本手法は様々な臨床CTデータにまたがって高品質でリアルタイムなインタラクティブな3D可視化を実現する。 実験により、Render-FMは特殊スキャン法に匹敵する視覚的忠実度を達成できることが示された。
  論文  参考訳（メタデータ） (2025-05-22T23:18:30Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• 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)
• 3D Convex Splatting: Radiance Field Rendering with 3D Smooth Convexes [87.01284850604495]
  多視点画像から幾何学的に有意な放射場をモデル化するためのプリミティブとして3次元滑らかな凸を利用した3次元凸法(3DCS)を提案する。 3DCSは、MipNeizer, Tanks and Temples, Deep Blendingなどのベンチマークで、3DGSよりも優れたパフォーマンスを実現している。 本結果は,高品質なシーン再構築のための新しい標準となる3Dコンベクシングの可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-22T14:31:39Z)
• Multi-Layer Gaussian Splatting for Immersive Anatomy Visualization [1.0580610673031074]
  医用画像の可視化において、CTスキャンのような体積医学データのパストレースは、生命に似た可視化を生成する。 本稿では,CTスキャンの高速かつ静的な中間表現を実現するために,GSを用いた新しい手法を提案する。 本手法は,対象ハードウェアに品質を調整可能な解剖学的構造を保ちながら,インタラクティブなフレームレートを実現する。
  論文  参考訳（メタデータ） (2024-10-22T12:56:58Z)
• 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)
• Accurate Patient Alignment without Unnecessary Imaging Dose via Synthesizing Patient-specific 3D CT Images from 2D kV Images [10.538839084727975]
  腫瘍の視認性は2次元平面への患者の解剖学的投射により制限される。 コーンビームCT(CBCT)などの3D-OBI治療室では、CBCTの視野(FOV)は不要な高画像量に制限される。 本稿では, 階層型 ViT ブロックで構築した2次元モデルを用いて, 処理位置から得られた kV 画像から3次元CTを再構成する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T19:55:03Z)
• Deep-Learning-based Fast and Accurate 3D CT Deformable Image Registration in Lung Cancer [14.31661366393592]
  腫瘍の視認性は、患者の3D解剖が2D平面に投影されるため制限される。 治療位置において、治療アイソセンタで得られたkV画像から3DCT画像を再構成する。 患者固有の視覚変換器ベースのネットワークを開発し,精度と効率性を示した。
  論文  参考訳（メタデータ） (2023-04-21T17:18:21Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)

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。