論文の概要: ACD-GS: Asymmetric Curvature-aware Densification for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.39399v1
• Date: Thu, 29 Oct 2026 05:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:57:23.341961
• Title: ACD-GS: Asymmetric Curvature-aware Densification for 3D Gaussian Splatting
• Title（参考訳）: ACD-GS:3次元ガウススメッティングのための非対称曲率認識密度化
• Abstract要約: ACD-GSは、コンパクトで幾何学的な3Dガウス最適化のための非対称曲率対応密度化フレームワークである。 提案手法はガウス数と記憶量の60%近くを削減し, 競合するレンダリング精度を維持した。
• 参考スコア（独自算出の注目度）: 22.25381303616695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a powerful paradigm for real-time photorealistic novel view synthesis. However, its training-time densification remains largely heuristic, often resulting in redundant Gaussian proliferation and inaccurate geometric reconstruction. Existing methods predominantly rely on first-order screen-space gradients to trigger cloning and splitting, which fail to distinguish true geometric discontinuities from high-frequency textures or noisy residuals. To address this limitation, we propose ACD-GS, an Asymmetric Curvature-aware Densification framework for compact and geometry-aware 3D Gaussian optimization. Our key insight is that second-order depth responses provide a more reliable structural prior for density control, enabling asymmetric regulation of cloning and splitting to better capture geometric discontinuities. Building on this, we introduce a multi-view photometric consistency constraint to suppress transient single-view errors, together with a capacity-aware adaptive regulation strategy that balances densification and pruning during training. Unlike post-hoc compression or quantization-based approaches, ACD-GS directly prevents redundant Gaussian generation during training, yielding inherently compact representations. Extensive experiments demonstrate that our method reduces nearly 60% of Gaussian count and storage while maintaining competitive rendering fidelity, consistently outperforming existing methods across multiple datasets. Our code is available in https://waveviewer.github.io/ACD-GS/.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) はリアルタイム光リアリスティック・ノベル・ビュー・シンセサイザーの強力なパラダイムとして登場した。 しかし、その訓練時間の密度化は概ねヒューリスティックであり、しばしば冗長なガウスの増殖と不正確な幾何学的再構成をもたらす。 既存の手法は主に1階のスクリーン空間勾配に頼ってクローニングと分割を誘導し、これは真の幾何学的不連続性を高周波テクスチャやノイズの残差と区別することができない。 この制限に対処するために,コンパクトかつ幾何学的3Dガウス最適化のための非対称曲率対応密度化フレームワークであるACD-GSを提案する。 我々のキーとなる洞察は、二階深度応答は密度制御においてより信頼性の高い構造的先行を与えるため、クローニングと分割の非対称な規制が幾何学的不連続性をよりよく捉えることができるということである。 これに基づいて、過渡的な単一視点誤差を抑制するための多視点光度整合性制約と、トレーニング中に密度化とプルーニングのバランスをとるキャパシティ対応制御戦略を導入する。 ポストホック圧縮や量子化に基づくアプローチとは異なり、ACD-GSはトレーニング中の冗長なガウス生成を直接防止し、本質的にコンパクトな表現をもたらす。 広汎な実験により,ガウス数とストレージの60%近くを削減し,競争力のあるレンダリング精度を維持しつつ,既存の手法を複数のデータセットで一貫して上回っていることがわかった。 私たちのコードはhttps://waveviewer.github.io/ACD-GS/で利用可能です。

関連論文リスト

• 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)
• AD-GS: Alternating Densification for Sparse-Input 3D Gaussian Splatting [6.696418686121452]
  3次元ガウススプラッティング(3DGS)は、リアルタイムの新規なビュー合成において印象的な結果を示した。 重要な寄与要因は非制御の密度化であり、誘導なしで素粒子を迅速に加えると、幾何学に害を与え、アーティファクトを引き起こす可能性がある。 高密度・低密度化相をインターリーブする新しい交互デンシフィケーションフレームワークAD-GSを提案する。
  論文  参考訳（メタデータ） (2025-09-13T23:05:49Z)
• 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)
• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• 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)
• End-to-End Rate-Distortion Optimized 3D Gaussian Representation [33.20840558425759]
  本稿では,コンパクトな3次元ガウス学習をエンドツーエンドのレート・ディストーション最適化問題として定式化する。 動的プルーニングとエントロピー制約ベクトル量子化(ECVQ)を導入し、同時に速度と歪みを最適化する。 RDO-Gaussianが40倍の3Dガウスサイズを大幅に縮小することを示すため,実シーンと合成シーンの両方で本手法の有効性を確認した。
  論文  参考訳（メタデータ） (2024-04-09T14:37:54Z)

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。