arXiv · 01.07.2026 ·Машинное обучение

Сжатие 3D-данных с помощью нейронных представлений на основе гауссианов

Исследователи представили новый метод сжатия структурированных и неструктурированных объемных данных, использующий обучаемые 3D-гауссианы. Технология позволяет эффективно кодировать геометрию объектов, устраняя необходимость в хранении промежуточных сеток (meshes). Это значительно снижает требования к памяти при сохранении возможности прямого запроса данных, что открывает новые перспективы для работы с тяжелыми 3D-моделями и визуализацией в реальном времени.

Традиционные подходы на основе неявных нейронных представлений (INR) часто сталкивались с ограничениями при работе с неструктурированными данными, так как не учитывали геометрические особенности объектов. Новый метод интегрирует геометрическую информацию непосредственно в процесс обучения представления, что позволяет достичь более высоких коэффициентов сжатия по сравнению с существующими аналогами.

Разработка особенно актуальна для областей, требующих передачи и хранения больших объемов пространственной информации, таких как медицинская визуализация, научное моделирование и создание цифровых двойников. Метод обеспечивает баланс между точностью реконструкции и компактностью модели, делая работу с 3D-данными более масштабируемой для вычислительных систем с ограниченными ресурсами.

Ключевые факты

Метод использует обучаемые 3D-гауссианы для представления геометрии и объема данных.
Технология исключает необходимость хранения частичных сеток, что критически важно для экономии памяти.
Подход применим как к структурированным, так и к неструктурированным типам объемных данных.
Решение обеспечивает прямое выполнение запросов к сжатым данным без предварительной декомпрессии всей модели.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Исследования и наука Нейронное сжатие изображений с использованием Gemini 3 Исследователи представили метод нейронного сжатия изображений, использующий возможности мультимодальной модели Gemini 3 для повышения эффективности кодирования визуальных данных. Новый подход позволяет достичь высокого качества восстановления при значительно меньшем объеме файлов по сравнению с традиционными алгоритмами, такими как JPEG или WebP, за счет глубокого понимания семантического содержания изображения и контекстуальной реконструкции деталей. arXiv · Исследования и наука GAIA: новый метод нейросетевого моделирования для решения сложных физических задач Исследователи представили GAIA (Geometry-Adaptive Operator Learning) — новый подход к обучению нейронных операторов для решения дифференциальных уравнений в частных производных на произвольных геометрических формах. В отличие от существующих решений, ориентированных на прямые задачи, GAIA эффективно справляется с краевыми задачами, где входные и выходные данные распределены по разным пространственным доменам, что критически важно для инженерного моделирования. arXiv · Исследования и наука FLUX3D: новый метод генерации высокодетализированных 3D-сцен Исследователи представили FLUX3D — метод генерации 3D-сцен на основе Gaussian Splatting, решающий проблему потери визуальных деталей при переходе от 2D-изображений к 3D-объектам. Новая архитектура устраняет структурные ограничения существующих моделей, используя разреженное воксельное представление, которое лучше сохраняет высокочастотные характеристики и текстурную точность исходных данных, обеспечивая более качественную реконструкцию сложных объектов. Hacker News · Машинное обучение Сжатие данных с помощью переобученного трансформера Исследователи продемонстрировали необычный метод сжатия данных, используя архитектуру трансформера. В ходе эксперимента модель объемом 900 КБ была целенаправленно переобучена (overfitted) на конкретном наборе данных — CSV-файле размером 100 МБ. В результате удалось достичь высокой степени компрессии, сократив исходный объем информации до 7 МБ. arXiv · Исследования и наука Метод интринсивной декомпозиции для редактирования 3D Gaussian Splatting Исследователи представили новый метод интринсивной декомпозиции для 3D Gaussian Splatting, позволяющий разделять цвета объектов на диффузное альбедо и затенение. Это решение дает возможность независимо редактировать текстуры и освещение в 3D-сценах, сохраняя физическую корректность рендеринга. Технология решает проблему изменения внешнего вида объектов без нарушения целостности световых эффектов, что критически важно для профессиональной компьютерной графики. arXiv · Машинное обучение Новый алгоритм обучения гауссовских распределений при усечении полупространством Исследователи представили алгоритм для восстановления параметров многомерного гауссовского распределения, подвергшегося усечению неизвестным полупространством. Работа решает проблему оптимизации сложности выборки и времени вычислений, достигая теоретически оптимальных границ. Предложенный метод значительно превосходит предыдущие полиномиальные решения, обеспечивая высокую точность аппроксимации при заданном уровне погрешности в условиях высокой размерности данных. Hacker News · Исследования и наука Геометрия шума: почему диффузионные модели могут работать без кондиционирования Исследователи представили новый взгляд на работу диффузионных моделей, поставив под сомнение необходимость классического кондиционирования по уровню шума. Анализ показывает, что структура данных в процессе диффузии обладает геометрическими свойствами, которые позволяют моделям обучаться эффективно без явного указания временных шагов или параметров зашумления, что открывает путь к упрощению архитектур генеративных нейросетей. NVIDIA Technical Blog · Машинное обучение Оптимизация нейронных пайплайнов реконструкции 3D-сцен с помощью NVIDIA Nsight NVIDIA представила руководство по оптимизации нейронного конвейера реконструкции NuRec, предназначенного для создания высокоточных 3D-моделей реальных сред на основе мультисенсорных данных. Использование инструментов профилирования NVIDIA Nsight позволило разработчикам выявить узкие места в производительности и значительно ускорить процесс обработки данных, что критически важно для задач компьютерного зрения и создания цифровых двойников. Hacker News · Машинное обучение Новый математический подход снижает требования к «железу» для ИИ Исследователи предложили новый математический метод оптимизации вычислений, который позволяет значительно снизить нагрузку на аппаратное обеспечение при работе с нейросетями. Замена стандартных операций с плавающей запятой на альтернативные вычисления позволяет сократить потребление ресурсов GPU без потери точности моделей, что открывает путь к более эффективному инференсу на менее мощном оборудовании. arXiv · Машинное обучение Масштабируемые байесовские модели для анализа временных рядов в астрономии Исследователи представили новый метод обработки высокочастотных данных астрономических наблюдений, позволяющий эффективно выявлять вспышки на звездах. Традиционные гауссовские процессы (GP) часто сталкиваются с вычислительными ограничениями при работе с длинными временными рядами из-за кубической сложности алгоритмов. Авторы работы предложили решение, объединяющее амортизированный байесовский вывод и скрытые марковские модели (HMM), что позволяет значительно ускорить анализ без потери точности.

← Все материалы