論文の概要: GaussianRenderFormer: Transformer-based Rendering of 3D Gaussian Splats
- arxiv url: http://arxiv.org/abs/2611.05593v1
- Date: Tue, 03 Nov 2026 20:26:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.842885
- Title: GaussianRenderFormer: Transformer-based Rendering of 3D Gaussian Splats
- Title（参考訳）: GaussianRenderFormer:3次元ガウスプレートのトランスフォーマーベースレンダリング
- Abstract要約: GaussianRenderFormerは、ガウシアンとカメラと画像を直接取り出すトランスフォーマーだ。
300個の見えないオブジェクトを38.08 dBRでフルの未切断スプラットに対してレンダリングし、同時に同じプルーンド入力が44.02 dBに達する。
- 参考スコア（独自算出の注目度）: 10.159228582199924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Can a neural network learn to render 3D Gaussian splats on its own, with no rasterizer in the renderer? We present GaussianRenderFormer, a transformer that takes a set of Gaussians and a camera and outputs the image directly. Each Gaussian becomes one token in a view-independent encoder, and a view-dependent decoder turns small patches of camera rays into pixels by attending to those tokens. Trained on 26,820 Objaverse objects pruned to 20,000 Gaussians each, GaussianRenderFormer renders 300 unseen objects at 38.08 dB PSNR against the full, unpruned splats, while rasterizing the same pruned input reaches 44.02 dB. The gap is not one of generalization, and our diagnostics are consistent with a bottleneck in the view decoder: telling it the projected footprint of each Gaussian, which it could in principle infer, adds 1.4 dB. Under-training is not ruled out. Code, trained models and videos: https://svlwoof.github.io/gaussianrenderformer
- Abstract（参考訳）: ニューラルネットワークは、レンダラーにラスタライザなしで、独自の3Dガウススプラットのレンダリングを学べるだろうか?
本稿では、ガウスアンとカメラのセットを取り、画像を直接出力する変換器であるガウスアンレンダーホルダーを紹介する。
各ガウスアンはビュー非依存エンコーダの1つのトークンとなり、ビュー依存デコーダはこれらのトークンに出席することで、カメラ線の小さなパッチをピクセルに変換する。
26,820個のObjaverseオブジェクトをそれぞれ2万個のガウスアンにプルーニングし、GaussianRenderFormerは38.08 dB PSNRで300個の未確認オブジェクトをフルの未切断スプラットに対してレンダリングし、同じプルーンド入力をラスタライズすると44.02 dBに達する。
このギャップは一般化の1つではなく、我々の診断はビューデコーダのボトルネックと一致している。
アンダートレーニングは除外されない。
コード、トレーニングされたモデル、ビデオ:https://svlwoof.github.io/gaussianrenderformer
関連論文リスト
- SGAD-SLAM: Splatting Gaussians at Adjusted Depth for Better Radiance Fields in RGBD SLAM [46.618504092695254]
現行の手法では3Dガウシアンやビュータイドの3Dガウシアンを用いて、追跡とマッピングにおいて放射場を表現している。
我々は画素アライメントのガウスアンを採用するが、各ガウスアンがその線に沿って位置を調整してレンダリング品質を最大化することができる。
我々は、広く使われているベンチマークの評価を報告し、設計を正当化し、ビューレンダリング、カメラトラッキング、ランタイム、ストレージの複雑さにおける最新の手法に対する利点を示します。
論文 参考訳（メタデータ） (2026-03-22T04:42:02Z) - ReSplat: Learning Recurrent Gaussian Splats [98.14472247275512]
ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。
我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。
提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-10-09T17:59:59Z) - RTG-SLAM: Real-time 3D Reconstruction at Scale using Gaussian Splatting [51.51310922527121]
ガウススプラッティングを用いた大規模環境のためのRGBDカメラを用いたリアルタイム3D再構成システムを提案する。
それぞれのガウス語は不透明かほぼ透明で、不透明なものは表面色と支配的な色に、透明なものは残留色に適合する。
様々な大きなシーンをリアルタイムに再現し、新しいビュー合成とカメラトラッキングの精度のリアリズムにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-04-30T16:54:59Z) - LeanGaussian: Breaking Pixel or Point Cloud Correspondence in Modeling 3D Gaussians [11.71048049090424]
変形可能なトランスフォーマーにおける各クエリを1つの3次元ガウス楕円体として扱う新しいアプローチであるLeanGaussianを紹介する。
変形可能なデコーダを用いて、画像特徴をキーと値として、ガウス層を反復的に洗練する。
提案手法は従来の手法よりも約6.1%優れ,PSNRは25.44,PSNRは22.36であった。
論文 参考訳（メタデータ） (2024-04-25T04:18:59Z) - Multi-Scale 3D Gaussian Splatting for Anti-Aliased Rendering [48.41629250718956]
3Dガウシアンは最近、3D再構成とレンダリングの非常に効率的な表現として現れた。
高精細度で高精細度で高精細度でレンダリングするが、低精細度や遠方のカメラ位置でレンダリングすると大幅に劣化する。
そこで本研究では,ガウスを異なるスケールで維持し,同じシーンを表現できるマルチスケール3次元ガウススプレイティングアルゴリズムを提案する。
提案アルゴリズムは13%-66%のPSNRと160%-2400%のレンダリング速度を4$times$-128$times$ scale rendering on Mip-NeRF360 data。
論文 参考訳（メタデータ） (2023-11-28T03:31:35Z)
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。