論文の概要: BudSplat: Feed-forward 3D Gaussian Splatting under a Rendering Budget

• arxiv url: http://arxiv.org/abs/2610.38278v1
• Date: Wed, 28 Oct 2026 05:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:24:24.540555
• Title: BudSplat: Feed-forward 3D Gaussian Splatting under a Rendering Budget
• Title（参考訳）: BudSplat: フィードフォワード型3Dガウシアン・スプレイティングをレンダリング予算下で実施
• Abstract要約: 提案するBudSplatはコンパクトなフィードフォワード3DGSフレームワークで,最も価値の高いガウスを限られた原始的数に抑えることを学習する。 RE10K、DL3DV、ACIDの実験では、BudSplatはレンダリングの品質と効率のトレードオフを良好に達成している。
• 参考スコア（独自算出の注目度）: 80.3316171566188
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Feed-forward 3D Gaussian Splatting has recently emerged as a promising alternative to per-scene optimization, enabling fast novel view synthesis by predicting Gaussian primitives directly from input images. However, it quickly faces a bottleneck of rendering efficiency while scaling from sparse to dense multi-view inputs, which offer more geometric constraints but produce a rapidly growing set of candidate Gaussians. Existing solutions cannot reliably distinguish redundant primitives, leading to many redundant primitives from repeatedly observed regions and increased rendering cost without much gain in visual quality. We propose BudSplat, a compact feed-forward 3DGS framework that learns to keep the most valuable Gaussians under a limited primitive count. BudSplat has two novel designs. The first is a detail-aware importance score that is extracted from multi-level visual tokens, providing an explicit cue for regions where pruning is likely to harm perceptual quality. The score can be injected into voxel fusion to preserve high-value local contributors during multi-view aggregation. The second is quality-aware Gaussian pruning that selects a compact set of primitives by jointly considering rendering contribution and detail importance. The quality-aware pruning enables local quota redistribution that helps avoid over-allocating primitives to large redundant regions. Experiments on RE10K, DL3DV, and ACID show that BudSplat achieves a favorable trade-off among rendering quality and efficiency.
• Abstract（参考訳）: フィードフォワード3Dガウススプラッティングは、最近、シーンごとの最適化に代わる有望な代替手段として出現し、ガウス原始体を直接入力画像から予測することで、高速な新規なビュー合成を可能にする。 しかし、スパースからより密集したマルチビューインプットにスケールしながら、レンダリング効率のボトルネックに直面し、より幾何学的な制約を提供するが、急速に増加する候補ガウスの集合を生成する。 既存のソリューションは、冗長なプリミティブを確実に区別することができず、多くの冗長なプリミティブを繰り返し観察された領域から導き出し、視覚的品質を大きく向上させることなくレンダリングコストを増大させる。 提案するBudSplatはコンパクトなフィードフォワード3DGSフレームワークで,最も価値の高いガウスを限られた原始的数に抑えることを学習する。 BudSplatには2つの新しいデザインがある。 1つ目は、多段階の視覚トークンから抽出された詳細を意識した重要度スコアであり、プルーニングが知覚的品質を損なう可能性のある領域の明確なキューを提供する。 スコアは、マルチビューアグリゲーション中に高価値な局所的なコントリビュータを保存するために、ボクセル融合に注入することができる。 2つ目は、レンダリングのコントリビューションと詳細の重要性を共同で考慮し、コンパクトなプリミティブセットを選択する品質に配慮したガウスプルーニングである。 品質に配慮したプルーニングにより、ローカルなクォータ再配布が可能になり、プリミティブを大規模な冗長な領域に過度に配置するのを避けることができる。 RE10K、DL3DV、ACIDの実験では、BudSplatはレンダリングの品質と効率のトレードオフを良好に達成している。

関連論文リスト

• CompactSplat: Spatially Adaptive Gaussian Distribution for Feedforward Scene Reconstruction [29.97670947831028]
  CompactSplatは、3Dガウスのコンテンツアロケーションを可能にする新しいフィードフォワードフレームワークである。 テクスチャ誘導型空間分割と階層的サンプリングを統合することで、CompactSplatはプリミティブを適応的に分散する。 我々のフレームワークは本質的に、推論時の動的空間制御をサポートし、レンダリングの忠実度とメモリフットプリントのシームレスなトレードオフを可能にする。
  論文  参考訳（メタデータ） (2026-10-09T08:04:45Z)
• PointSplat: Compact Gaussian Splatting via Human-Centric Prediction [70.45838533838104]
  本研究では,ハエのインプットビューから3次元人間表現を創出する新しい人間中心のアプローチであるPointSplatを提案する。 提案手法は,まず粗い幾何学的プロキシを推定し,冗長点を起点とするレイキャスティングを行う。 その後、ポイント・イメージ・トランスフォーマーを使用して外観と幾何学的特徴を融合させ、ガウスの属性を1つの前方通過で予測する。
  論文  参考訳（メタデータ） (2026-06-30T17:59:05Z)
• SplatWeaver: Learning to Allocate Gaussian Primitives for Generalizable Novel View Synthesis [60.075770066276505]
  一般化可能な新しいビュー合成は、シーンごとの最適化を必要とせずに、未分類の入力画像から見えないビューを描画することを目的としている。 3次元ガウススプラッティングに基づく最近のフィードフォワードアプローチは、有望な効率とレンダリング品質を実現している。 SplatWeaverは、フィードフォワード方式で異なるリージョンにガウスプリミティブを動的に割り当てることができる。
  論文  参考訳（メタデータ） (2026-05-08T05:51:34Z)
• SparseSplat: Towards Applicable Feed-Forward 3D Gaussian Splatting with Pixel-Unaligned Prediction [30.232615052359673]
  SparseSplatはガウス密度をシーン構造と局所情報の豊かさに応じて調整する最初のフィードフォワード3DGSモデルである。 SparseSplatはガウス人のわずか22%で最先端のレンダリング品質を達成でき、ガウス人のわずか1.5%で合理的なレンダリング品質を維持することができる。
  論文  参考訳（メタデータ） (2026-04-03T14:48:33Z)
• Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives [14.295266671241004]
  3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングをフォトリアリスティックな品質で実現した。 3DGSは高い忠実性を達成するために多くのプリミティブを必要とすることが多い。 そこで我々は, 刈り取りタイミングと精錬間隔を決定する, 効率的で統合された組立型刈り取り戦略を提案する。 また,1つのプリミティブにおいて正と負の両密度を共同でモデル化する3次元ガウス差分プリミティブも導入する。
  論文  参考訳（メタデータ） (2026-02-27T16:12:58Z)
• 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)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)

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。