YOGO: 3D ガウススプラッティングにおける超高密度シーンの制御可能なリソース配分

arXiv:2604.21400v1 Announce Type: new\n摘 要：3D ガウススプラッティング（3DGS）はニューラルレンダリングを革命化しましたが、既存の手法はほとんどが研究プロトタイプであり、本格的なデプロイには不適切です。私たちは、現実世界の応用を妨げる重要な「産業 - 学術ギャップ」を特定しました。このギャップを埋めるため、私たちは YOGO（You Only Gaussian Once）というシステムレベルのフレームワークを提案します。YOGO は、確率的成長プロセスを決定論的で予算感知の均衡に再構成します。また、ハードウェア制約に合わせたリソース配分のための新しい予算コントローラーと、確実なマルチセンサー融合のための可用性登録プロトコルを実装します。再現性の向上のために、Immersion v1.0 データセットの一部シーンと YOGO のソースコードを公開しました。プロジェクトのリンクは https://jjrcn.github.io/YOGO/ です。

arXiv:2604.21400v1 Announce Type: new Abstract: 3D Gaussian Splatting (3DGS) has revolutionized neural rendering, yet existing methods remain predominantly research prototypes ill-suited for production-level deployment. We identify a critical "Industry-Academia Gap" hindering real-world application: unpredictable resource consumption from heuristic Gaussian growth, the "sparsity shield" of current benchmarks that rewards hallucination over physical fidelity, and severe multi-sensor data pollution. To bridge this gap, we propose YOGO (You Only Gaussian Once), a system-level framework that reformulates the stochastic growth process into a deterministic, budget-aware equilibrium. YOGO integrates a novel budget controller for hardware-constrained resource allocation and an availability-registration protocol for robust multi-sensor fusion. To push the boundaries of reconstruction fidelity, we introduce Immersion v1.0, the first ultra-dense indoor dataset specifically designed to break the "sparsity shield." By providing saturated viewpoint coverage, Immersion v1.0 forces algorithms to focus on extreme physical fidelity rather than viewpoint interpolation, and enables the community to focus on the upper limits of high-fidelity reconstruction. Extensive experiments demonstrate that YOGO achieves state-of-the-art visual quality while maintaining a strictly deterministic profile, establishing a new standard for production-grade 3DGS. To facilitate reproducibility, part scenes of Immersion v1.0 dataset and source code of YOGO has been publicly released. The project link is https://jjrcn.github.io/YOGO/.