LAGS：低高度ガウススプラッティングとグループワイズ異種グラフ学習による手法

arXiv cs.CV / 2026/4/21

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

本論文は、分散ドローンが取得した航空画像を統合して3Dシーンを再構成するLAGS（Low-Altitude Gaussian Splatting）を提案し、視点の違いがもたらす画像多様性を考慮しない既存のリソース割当で効率が悪化する点を示しています。
それを補うために、画像グループごとの再構成への寄与の非一様性をモデル化して、再構成の忠実度と伝送コストの両立を自動的に行うGW-HGNN（groupwise heterogeneous graph neural network）を提案します。
提案手法は、LAGSの損失と通信制約をグラフ学習コストへ言い換え、デュアルレベルのメッセージパッシングで割当ポリシーを学習します。
実世界のLAGSデータセットでの実験では、GW-HGNNがPSNR、SSIM、LPIPSといった主要なレンダリング指標で既存の最先端ベンチマークより大幅に優れることを示しました。
さらに、MOSEKソルバに比べて計算レイテンシを約100倍削減し、ミリ秒レベルの推論を実現してリアルタイム導入に適した性能を達成しています。