BudgetSplat：ガウシアン数を指定比率に抑えるフィードフォワード3DGS手法をarXivで公開

何が起きたか

arXivに2026年11月4日付で投稿された論文「BudgetSplat: Budget-Controllable Generalizable Gaussian Splatting」です。著者はYuxi Hu、Jun Zhang、Wei Mao、Yuchen Rao、Friedrich Fraundorferの5名です。

対象は、数枚の画像から一度の推論で3D Gaussian Splatting（3DGS）を作るフィードフォワード方式です。画素ごとにガウシアンを置く既存手法は冗長になりやすく、解像度や入力枚数が増えると表現サイズと描画コストが急増すると、著者らは指摘しています。

提案手法は、最終的なガウシアンを利用者が指定する保持比率に合わせて調整します。著者らは、これを単なる重要度順の間引きではなく、重要度・空間被覆・ビュー間の冗長性を合わせた問題として定式化したとしています。

仕組みと中身

Intra-Cross Mask Supervisionは、構造・被覆・冗長性を考慮した教師信号で、各ガウシアンの重要度を学習させる仕組みです。

予算条件付きの特徴変調（budget-conditioned feature modulation）は、要求された保持比率に応じてガウシアンの不透明度や属性を調整します。

Coverage-Aware Budget Selectionは、パッチ単位の事前選択、ビュー単位の不透明度ランキング、3D上の冗長性抑制を組み合わせます。これにより、コンパクトで空間的に偏りの少ない表現を作るとしています。

単一のモデルで、異なる入力ビュー数と複数のテスト時予算に対応します。予算ごとの再学習やシーンごとの圧縮は不要とされています。

数字で見る

実務への影響

Webやモバイルで3DGSを扱う場面では、データ量と描画負荷が制約になります。生成時点でサイズを指定できれば、配信先の性能に応じた出し分けに使える可能性があります。

シーンごとの最適化や後段の圧縮を挟まずに済むなら、少数画像から素早く軽量なシーンを作る用途で選択肢になりえます。ただし実務での効果は、公開されるコードや追加検証を待つ必要があります。

注意点・未確認のこと

• 材料はarXivの要旨のみです。具体的な圧縮率、PSNRなどの数値、比較対象、処理時間は確認できません。
• コードや学習済みモデルの公開有無は、材料からは確認できません。
• 評価は室内再構成とデータセット間汎化とされており、屋外や大規模シーンでの挙動は未確認です。
• 品質を保てるという主張は著者らによるもので、第三者による検証は材料にありません。

用語

フィードフォワード3DGS

シーンごとの最適化を行わず、学習済みネットワークの一回の推論で3DGSを出力する方式です。

ピクセルアラインド

入力画像の各画素に対応してガウシアンを1つずつ生成する設計です。冗長になりやすいとされます。

保持比率

生成したガウシアンのうち、最終表現に残す割合です。本論文ではこれが予算にあたります。

出典

一次情報（発表元・論文・リポジトリ）

• BudgetSplat: Budget-Controllable Generalizable Gaussian SplattingarXiv（arxiv.org）・en

きっかけになったXのポスト

• @CSVisionPapers のポストをXで見るx.com

この記事は、AIが出典（一次情報）をもとに日本語で作成し、人による事前の確認を経ずに、出典との照合などの自動の検査を通ったものを公開しています（AIの利用について）。数値や仕様は発表元の情報で、当社が独自に検証したものではありません。詳しくは原典をご確認ください。誤りのご指摘はお問い合わせからお願いします。確認のうえ速やかに訂正します。