論文の概要: Unified Loss-Aware Density Control for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2611.02044v2
• Date: Tue, 03 Nov 2026 05:22:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:43:03.649517
• Title: Unified Loss-Aware Density Control for 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウスめっきにおける一様損失認識密度制御
• Abstract要約: 我々は適応密度制御を局所的な損失-減算決定の集合として再放送する。 3つのプリミティブレベルの演算によって生じる客観的な変化を予測できる,効率的なTaylor-based per-Gaussian surrogatesを導出する。 提案手法は,よりターゲットを絞ったプリミティブアロケーションを実現し,同等あるいは少ない予算でレンダリング品質の向上を実現する。
• 参考スコア（独自算出の注目度）: 41.245282667891935
• License:
• Abstract: The efficiency and fidelity of 3D Gaussian Splatting critically depend on adaptive density control, which grows and suppresses Gaussian primitives throughout optimization. However, the standard pipeline still relies on heuristic view-space gradients, scale thresholds, and global opacity resets, rather than explicitly assessing the loss-reducing effect of each split, clone, or opacity update. This mismatch can allocate primitives to already-sufficient regions, miss under-reconstructed structures, and destabilize training through blanket opacity changes. In this work, we recast adaptive density control as a collection of local loss-reduction decisions. We derive efficient Taylor-based per-Gaussian surrogates that predict the objective change caused by three primitive-level operations: splitting, cloning, and opacity decay. This yields a unified loss-aware framework with three components. First, we extend second-order splitting to a normalized joint position-scale space, enabling children to adapt not only their locations but also their anisotropic extents. Second, we formulate duplicate cloning as a surrogate minimization problem, selecting only Gaussians whose duplicated contribution is predicted to improve reconstruction and assigning each child a principled opacity. Third, we replace global opacity reset with selective soft opacity decay that weakens harmful primitives while preserving useful ones. Across standard 3DGS benchmarks, our method produces more targeted primitive allocation and achieves improved rendering quality with comparable or smaller Gaussian budgets compared to baselines.
• Abstract（参考訳）: 3次元ガウススプラッティングの効率性と忠実度は適応密度制御に大きく依存し、最適化を通してガウスプリミティブを成長させ、抑制する。 しかし、標準的なパイプラインは、分割、クローン、不透明度更新の各損失低減効果を明示的に評価するのではなく、ヒューリスティックなビュースペース勾配、スケールしきい値、グローバル不透明度リセットに依存している。 このミスマッチは、プリミティブを既に十分なリージョンに割り当て、アンダー再構成された構造を見逃し、ブランケットの不透明度変化によるトレーニングを不安定にする。 本研究では,適応密度制御を局所的な損失-減算決定の集合として再放送する。 我々は,分割,クローニング,不透明度崩壊という3つの原始的レベルの操作によって生じる目的変化を予測できる,効率的なテイラー型1ガウス代用サロゲートを導出する。 これにより、三つのコンポーネントを持つ一貫した損失認識フレームワークが得られる。 まず,2階分割を正規化された関節位置尺度空間に拡張し,子どもが位置だけでなく,異方性の範囲にも適応できるようにする。 第2に、重複クローニングを代理最小化問題として定式化し、重複した寄与が予測されるガウスのみを選択して再構築を改善し、各子に原則的不透明度を割り当てる。 第三に、地球規模の不透明度リセットを選択的ソフト不透明度崩壊に置き換え、有害なプリミティブを弱め、有用なものを保存します。 標準3DGSベンチマーク全体を通して,本手法はよりターゲットとなるプリミティブアロケーションを生成し,ベースラインに比べてガウス予算が小さく,レンダリング品質が向上する。

関連論文リスト

• Birth-Death Structural Learning for 3D Gaussian Splatting [2.5084857536903082]
  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。
  論文  参考訳（メタデータ） (2026-10-25T14:56:56Z)
• Eulerian Gaussian Splatting using Hashed Probability Pyramids [10.396311715776003]
  3Dガウススプラッティングの高速化と試験時間効率を維持するスプレート型放射界フレームワーク(3DGS)を提案する。 体積確率密度の勾配に基づく最適化で原始的な操作を置き換える。 3DGSレベルのレンダリング速度を維持しつつ,mip-NeRF 360における最先端の再現性を実現する。
  論文  参考訳（メタデータ） (2026-05-27T22:01:01Z)
• 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)
• ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting [7.439138611635001]
  収束した 3D Gaussian Splatting (3DGS) モデルは、さらなる最適化のためにパラメータ化が不十分なまま、ターゲットシーンを近似することができる。 収束3DGSモデルの等価分布再構成法であるReorgGSを提案する。
  論文  参考訳（メタデータ） (2026-05-09T06:59:31Z)
• Beyond Heuristics: Learnable Density Control for 3D Gaussian Splatting [78.96382179408054]
  強化学習(RL)により最適化されたパラメータ化ポリシネットワークとして密度制御を再構築するフレームワークであるbfLeGSを紹介する。 計算的トラクタビリティを維持するために、報酬計算の複雑さを$O(N2)$から$O(N)$に下げる閉形式解を導出する。 Mip-NeRF 360、Tants & Temples、Deep Blendingのデータセットの実験は、bfLeGSが最先端の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-01T05:04:49Z)
• 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)
• 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)
• Efficient Density Control for 3D Gaussian Splatting [3.6626434111127075]
  3DGSはガウス数を増やすために適応密度制御を採用している。 レンダリング品質に影響を与える過度に適合したガウシアンが存在する可能性があり、元のADCはそれらを取り除くことができない。 Long-Axis Splitは子ガウスの位置、形状、不透明度を正確に制御し、分割前後の差を最小限に抑える。 不透明度を過度に設定したガウス人にリセットした後の回復速度の差を利用するリカバリ対応プルーニング。
  論文  参考訳（メタデータ） (2024-11-15T12:12:56Z)

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。