「食事制限付き」のガウス：高品質かつメモリ制約下で学習する3Dガウススプラッティング
arXiv cs.CV / 2026/4/23
📰 ニュースModels & Research
要点
- 本論文は、3Dガウススプラッティングの重要な弱点である「学習時の過大なメモリ使用」を、ガウス原始の制御されない密度増加（densification）に起因する問題として扱います。
- メモリ使用量をほぼ一定に保つため、低影響のガウスを段階的に剪定（pruning）し、新しいプリミティブを戦略的に増やす処理を交互に繰り返す「メモリ制約下の学習フレームワーク」を提案します。
- 「Gaussian compensation（ガウス補償）」と呼ぶ適応的な仕組みにより、特に学習序盤のピークメモリ上昇を抑えつつ、レンダリング品質の維持・向上を狙います。
- 複数の実データセットで、厳しいメモリ制約下における評価を行い、既存の最先端手法に対して大きな改善を示します。
- NVIDIA Jetson AGX Xavier上での実証により、元の3DGSと同等の見た目の品質を保ちながら、ピーク学習メモリを最大80%削減してメモリ効率の高い3DGS学習を実現できることを示します。
