3Dガウススプラッティング（3DGS）では、適応密度制御により固定数のランダム分割でガウス分布を増やし、シーンの幾何構造を発見します。しかし、従来のバイナリ分割演算子は細部を明らかにするために多数の高密度化反復を必要とし、トレーニング効率のボトルネックとなっていました。この問題を解決するために、研究者らは誤差駆動型適応分割演算子「AdpSplit」を提案しました。
AdpSplitの革新は、L1ピクセル誤差領域の統計情報に基づいて分割子の数を動的に決定し、子パラメータを初期化する点にあります。具体的には、各ガウス分布が覆う領域のピクセル誤差を計算し、誤差の分布に応じて分割数を適応的に選択します。誤差の大きい領域では多くの子を生成して詳細を追加し、誤差の小さい領域では子を少なくして不要な計算を削減します。この適応戦略により、高密度化反復回数が大幅に削減され、トレーニング時間が短縮されるとともに、フルスケジュールトレーニングのレンダリング品質が維持されます。
実験はMipNeRF360、Deep-Blending、Tanks&Templesの3つの標準データセットで行われました。結果、AdpSplitを標準分割演算子のドロップイン代替として使用することで、複数の高速化3DGSパイプラインのトレーニング時間を9.2%から22.3%削減できることが示されました。特に、FastGSと組み合わせた場合、MipNeRF360データセットでフルスケジュールPSNRを達成しつつ、トレーニング時間を16.4%削減し、バニラ3DGS比12.6倍の高速化を実現しました。この成果は、品質を犠牲にすることなくトレーニング効率を大幅に向上させることを示しています。
AdpSplitの提案は、ニューラルレンダリング分野において重要です。トレーニング時間の短縮により、仮想現実や拡張現実などのリアルタイムアプリケーションへの3DGSの適用が促進されます。また、今後の研究に新たな方向性を提供します。本手法は、今後より多くの3DGSフレームワークに統合され、効率的な幾何発見技術の発展に寄与することが期待されます。本研究はYongjae Lee氏らによって行われ、論文はarXivで公開されており、コードもオープンソース化の予定です。AdpSplitの誤差駆動適応分割戦略は、3DGSのトレーニング最適化に新たな道を開きました。