Abstract
3Dガウシアン・スプラッティング（3DGS）は印象的なリアルタイム描画性能を示している一方で、その有効性はヒューリスティック（経験則）に基づく密度制御への依存によって制約されています。これまで多数の改良がこれらの手作りルールに対して行われてきたにもかかわらず、そのような手法は本質的に複雑な幾何を含む多様なシーンへ適応する柔軟性を欠いています。
本論文では、密度制御を硬直したヒューリスティックから完全に学習可能なポリシーへと転換する新しいパラダイムを提案します。具体的には、Reinforcement Learning（RL：強化学習）によって最適化されるパラメータ化ポリシーネットワークとして密度制御を再定式化する枠組みである\textbf{LeGS}を導入します。私たちのアプローチの中心となるのは、感度分析に基づいて設計した効果的な報酬関数であり、個々のガウシアンが再構成品質に与える限界的寄与を正確に定量化します。計算可能性を維持するために、報酬計算の複雑さをO(N^2)からO(N)へと削減する閉形式の解を導出します。Mip-NeRF 360、Tanks \& Temples、Deep Blendingの各データセットに対する大規模な実験により、\textbf{LeGS}が最先端手法を大幅に上回り、再構成品質と効率の間で優れたバランスを達成することが示されます。コードはhttps://github.com/AaronNZH/LeGSで公開予定です
