論文の概要: BudgetSplat: Budget-Controllable Generalizable Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2611.06593v1
- Date: Wed, 04 Nov 2026 14:46:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.140595
- Title: BudgetSplat: Budget-Controllable Generalizable Gaussian Splatting
- Title(参考訳): BudgetSplat: Budget-Controllable Generalizable Gaussian Splatting
- Abstract要約: BudgetSplatは予算管理可能なフィードフォワードフレームワークで、最終ガウス表現をユーザが指定した保存率に適応する。
単一のトレーニングモデルは、予算単位の再トレーニングやシーン毎の圧縮なしに、さまざまなコンテキストビューと複数のテストタイム予算をサポートする。
- 参考スコア(独自算出の注目度): 16.213332704565307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feed-forward 3D Gaussian Splatting enables efficient generalizable novel view synthesis, but existing pixel-aligned methods often generate highly redundant Gaussian primitives, causing the final representation size and rendering cost to grow rapidly with image resolution and the number of input views. We propose BudgetSplat, a budget-controllable feed-forward framework that adapts the final Gaussian representation to a user-specified preservation ratio. Rather than treating compaction as simple importance ranking, we formulate it as a joint problem of importance estimation, spatial coverage, and cross-view redundancy. A single trained model supports varying numbers of context views and multiple test-time budgets without per-budget retraining or per-scene compression. To realize this formulation, Intra-Cross Mask Supervision provides structure-, coverage-, and redundancy-aware guidance for learning Gaussian importance, while budget-conditioned feature modulation adapts Gaussian opacity and attributes to the requested preservation ratio. Coverage-Aware Budget Selection further combines patch-wise pre-selection, view-wise opacity ranking, and 3D redundancy suppression to construct compact yet spatially distributed Gaussian representations. Experiments on indoor reconstruction and cross-dataset generalization demonstrate consistent quality--size trade-offs across different input view counts and preservation ratios, substantially reducing final representation storage and rendering cost while preserving rendering quality.
- 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、効率的な一般化可能な新規ビュー合成を可能にするが、既存の画素アライメント手法は、しばしば非常に冗長なガウスプリミティブを生成し、最終的な表現サイズとレンダリングコストは、画像解像度と入力ビューの数によって急速に増大する。
予算管理可能なフィードフォワードフレームワークであるBudgetSplatを提案する。
コンパクト化を単純な重要度ランキングとして扱うのではなく、重要度推定、空間被覆、相互視野冗長性の連立問題として定式化する。
単一のトレーニングモデルは、予算単位の再トレーニングやシーン毎の圧縮なしに、さまざまなコンテキストビューと複数のテストタイム予算をサポートする。
この定式化を実現するために、クロス内マスクスーパービジョンは、ガウスの重要性を学習するための構造、カバレッジ、冗長性を意識したガイダンスを提供するが、予算条件付き特徴変調はガウスの不透明度と属性を要求された保存率に適応させる。
Coverage-Aware Budget Selectionは、パッチワイド事前選択、ビューワイド不透明度ランキング、および3D冗長性抑制と組み合わせて、コンパクトで空間的に分散されたガウス表現を構築する。
屋内再構成とクロスデータセットの一般化実験は、異なる入力ビュー数と保存率にまたがる大きさのトレードオフが一貫した品質を示し、レンダリング品質を維持しながら最終的な表現記憶とレンダリングコストを大幅に削減した。
関連論文リスト
- BudSplat: Feed-forward 3D Gaussian Splatting under a Rendering Budget [80.3316171566188]
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。
論文 参考訳(メタデータ) (2026-10-28T05:00:22Z) - KoalaGS: Complexity-Aware Continuous Level of Detail for Gaussian Splatting [13.664682865991255]
訓練された3Dガウススプレイティングシーンを計算予算の縮小の下で展開するには、1つのプリミティブセットを小さなプレフィックスでレンダリングする場合、有効にしておく必要がある。
パイロットスタディでは、画像の複雑さは、最適化前の入力ビューから計算され、再構成エラーが画像と3D空間に集中する場所を予測する。
KoalaGSでは, この複雑さを利用して, 粗い再構成領域に偏りを移すと同時に, LoD全体のスムーズな劣化を確実にする。
3つのデータセットでテストされたKoalaGSは、競合するフル容量の品質を維持しながら、予算スペクトル全体の品質を大幅に改善し、LoD間のスムーズな移行を実現し、より高速なプログレッシブストリーミングを実現している。
論文 参考訳(メタデータ) (2026-10-20T17:55:06Z) - SplatQ: Interaction-Aware Pruning of 3D Gaussian Splatting via Quadratic Selection [48.20082172275618]
既存の3Dガウスプラッティング(3DGS)プルーニング法は、独立重要度スコアに基づくグローバルTop-K選択に依存している。
固定予算下での地域予算配分と共同ガウス選択を協調するプルーニングアルゴリズムであるSplatQを提案する。
5つのベンチマーク実験により、SplatQは集合的再構成品質、空間的品質バランス、レンダリング速度において最先端のプルーニング手法より優れていることが示された。
論文 参考訳(メタデータ) (2026-10-09T12:30:13Z) - Compressing 3D Gaussian Splatting via Cross-Representation Priors [20.870041528567825]
3D Gaussian Splatting (3DGS) は高画質の新規ビュー合成を可能にするが, 密度ガウス原始体による高貯蔵・伝送コストを発生させる。
最近のアンカーベース圧縮は、原始的毎の冗長性を減少させるが、アンカー間の冗長性はほとんど明らかにされていない。
そこで我々は,CRP-GSを提案する。CRP-GSは速度歪みに最適化された圧縮フレームワークで,事前表現を利用してアンカーレベルのエントロピーモデルを改善する。
論文 参考訳(メタデータ) (2026-09-19T13:07:59Z) - PhGS: Post-Hoc Pruning and Refinement of Single-View Feed-Forward 3D Gaussian Reconstructions [18.890379711007892]
シングルビューフィードフォワード3DGSのためのバックボーン非依存圧縮パイプラインを提案する。
本研究は,新規なレンダリング精度を維持しつつ,メモリ削減を実現しつつ,既存のベースラインとのシームレスな統合を実証するものである。
論文 参考訳(メタデータ) (2026-09-17T16:07:03Z) - AVSplat: Dense-View Feed-Forward 3D Gaussian Splatting with Assist-View Preconditioning [78.53780077475876]
AVSplatは、アグリゲーションと表現の両方のための信頼性の高い信号に付加的なビューを変換するフレームワークである。
表現には適応型温度認識型ボクセル融合を用い,高い占有率下での寄与を鋭くする。
AVSplatは、パフォーマンスが安定している、あるいはより多くのインプットビューが追加されるにつれて改善される、ポジティブなビュースケーリングを復元する。
論文 参考訳(メタデータ) (2026-09-05T06:33:04Z) - SPARE-GS: Structural Parsimony and Resource Efficiency for 3D Gaussian Splatting [70.5411715784827]
3次元ガウス散乱(3DGS)は,高忠実な新規ビュー合成を実現する。
しかし、その訓練効率と表現のコンパクトさは、過剰な原始的な増殖によって妨げられている。
SPARE-GSは3次元ガウス原始体の分布を局所的な表現要求に動的に整合させるフレームワークである。
論文 参考訳(メタデータ) (2026-07-18T03:55:12Z) - CompGS++: Compressed Gaussian Splatting for Static and Dynamic Scene Representation [60.712165339762116]
CompGS++はコンパクトガウスプリミティブを活用して正確な3Dモデリングを実現する新しいフレームワークである。
私たちの設計は、プリミティブ間の冗長性をなくすという原則に基づいている。
私たちの実装は、さらなる研究を促進するためにGitHubで公開されます。
論文 参考訳(メタデータ) (2025-04-17T15:33:01Z) - 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) - Implicit Grid Convolution for Multi-Scale Image Super-Resolution [6.8410780175245165]
我々は,Implicit Grid Convolution(IGConv)と連携して,単一エンコーダを用いたマルチスケールフレームワークを提案する。
本フレームワークは,既存の固定スケール手法に匹敵する性能を達成しつつ,トレーニング予算を削減し,パラメータを3倍に抑える。
論文 参考訳(メタデータ) (2024-08-19T03:30:15Z)
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。