要旨: 近年、ノベルビュー合成は3Dガウススパッティング（3DGS）によって大きく革新されました。3DGSは、明示的なプリミティブのラスタライズによりリアルタイムレンダリングを可能にします。しかし、既存手法では視覚的忠実性がプリミティブ数に厳密に結び付けられており、品質のダウンサイジングはプリミティブの剪定（pruning）によってのみ実現されています。我々は、輝度（放射）場レンダリングのための、初めて本質的にスケーラブルなプリミティブを提案します。Fourier Splattingは、フーリエで符号化された記述子によって平面サーフェルをパラメータ化することで得られる、任意の閉じた形状を持つスケーラブルなプリミティブを用います。この定式化により、実行時にフーリエ係数を打ち切るだけで、単一の学習済みモデルをさまざまな詳細レベル（LOD）でレンダリングできます。安定した最適化を促進するために、プリミティブ境界の外側への勾配拡張に対してストレートスルー推定量（straight-through estimator）を採用し、さらにMCMCフレームワーク内で複雑なプリミティブをより単純な構成要素に分解することで密度増加（densification）を行う手法HYDRAを導入します。我々の手法は、平面プリミティブの枠組みの中で最先端のレンダリング品質を達成し、標準ベンチマークにおいて、主要なボリューム表現と同等の知覚指標を示します。これにより、帯域が制約された高精細レンダリングに対する汎用的な解決策を提供します。
Fourier Splatting：スケーラブルな放射輝度場のための一般化されたフーリエ符号化プリミティブ
arXiv cs.CV / 2026/3/23
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この論文は、放射輝度場レンダリングのための新しいスケーラブルなフーリエ・パラメータ化平面サーフェル・プリミティブ群である「Fourier Splatting」を提案し、学習時に固定で用いるプリミティブ数から品質を切り離します。
- 単一の学習済みモデルから、実行時にフーリエ係数を打ち切ることで可変レベル・オブ・ディテール（LOD）レンダリングを可能にし、プリミティブの剪定（pruning）だけの場合よりも、より自然な品質のトレードオフを実現します。
- 学習の安定性を高めるため、この手法は最適化中にプリミティブ境界を越えて勾配を拡張するためのストレートスルー推定器（straight-through estimator）を用います。
- 複雑なプリミティブをより単純な成分へ分解してシーンの詳細への適合性を高める、MCMCベースのデンサフィケーション戦略「HYDRA」を提案します。
- 実験では、平面プリミティブ手法の中で最先端の品質が報告され、標準ベンチマークにおいて主要なボリューム手法と比べても競争力のある知覚指標が得られています。帯域制約のある高忠実度レンダリングを対象としています。
