第 2 回卒研ゼミ
説明スクリプト & 用語リスト

1.1 前回のあらすじ about 30 sec

• 研究テーマ
  • 「Apple Silicon 搭載端末で 3DGS を単一デバイスで完結させるパイプライン」
• 研究の貢献は 3 軸
  • (1) Apple Silicon 最適化の自作 3DGS 実装
  • (2) wgpu 抽象化層のコスト定量化
  • (3) ユニファイドメモリ 活用の実証
• 前回 (第 1 回ゼミ) 時点の到達
  • brush の参考値 37.38 dB 取得
  • 自作実装の構築 (順伝播・逆伝播・学習ループ)
  • 圧縮手法のサーベイ完了
  • Lego で PSNR 22.42 dB 達成

1.2 本レポートの概要 about 20 sec

• 今月やったこと
  • 品質向上のためのパラメータ探索
  • Apple Silicon 固有の最適化
• 結果
  • PSNR: 22.42 → 26.27 dB (約 +4 dB)
  • 学習時間: 37m48s → 26m32s (約 -30%)
  • 節目 4 件達成 (M-1, M-2, M-3, M-3.x)

2. 今月の進捗 about 1 min 30 sec

• 進め方
  • 品質向上の探索 → Apple 固有最適化 → ワークスペース再構築 の順
• 達成した節目 (表の説明)
  • M-1: パラメータ探索の最終結果 → 25.59 dB (第 1 軸の主要成果)
  • M-2: 逆伝播ラスタライズを SIMD 集約化 → カーネル単体 2.43 倍、全体 -20.7% (第 2 軸・カーネル単位)
  • M-3: 命令キューの毎回再生成を排除 → -13.7% (第 2 軸・ループ単位)
  • M-3.x: 損失計算を GPU カーネル化し CPU 経由の読み戻しを排除 → 第 3 軸 (ユニファイドメモリ) の代表
    • PSNR は 4 試行平均 25.0 ± 0.6 dB、従来手法と統計的に同等
• 補助作業 (splat ワークスペース 再構築)
  • 3dgs-rs に積層していたものを新規 Rust workspace splat/ に整理
  • 移植判定: partial pass (品質 OK、学習時間は +9.6% で軽微超過)
• 不採用となった検討 (軽く触れる)
  • 点群スケールの正則化 4 種 → すべて -7 dB 級の劣化
  • MCMC 法の移植 4 試行 → すべて失敗、設計欠陥 3 点を特定 (次月で再挑戦)
  • Metal の引数バッファ → 却下。ただしこの調査で「真の律速はホスト中継処理」と分かり M-3.x の発見につながった

3. 次月の計画 about 30 sec

• 着手項目 (優先度順)
  • (1) SSIM カーネル改良 (TBDR の専用メモリ領域を活用、3〜5 時間)
  • (2) MCMC 法の完全実装 (特定した 3 設計欠陥を修正して再挑戦、3〜5 日)
  • (3) 研究室 GPU での CUDA 参考値取得 (1〜2 週、第 2 軸の補強材料)
• 目的別の位置付け
  • 第 1 軸 (品質) の改善 = MCMC 法
  • 第 2 軸 (抽象コスト) の補強 = SSIM カーネル + CUDA baseline

スクリプト中の下線つき語は本リストの内容をポップアップで表示する。

研究テーマ・固有名

• 3D Gaussian Splatting (3DGS)3D シーンを多数の小さなガウシアン (楕円体) で表現してリアルタイムに描画する手法。原著は Kerbl et al. 2023
• Apple SiliconApple 製の独自 SoC (M1〜M4 系)。CPU と GPU が同じ物理メモリを共有する点が特徴
• ユニファイドメモリCPU と GPU で同じ物理メモリ空間を共有する設計。データ転送のコピーが原理的に不要
• brush本研究の比較対象となる既存 3DGS 実装。Rust + wgpu 製
• wgpuRust 製のクロスプラットフォームグラフィック API。内部で Metal / Vulkan / D3D を呼び分ける抽象化層
• MetalApple の低レベル GPU API。本研究の自作実装はこれを直接呼ぶ
• gsplat / 3DGS 原著実装CUDA で書かれた 3DGS 実装。研究室 GPU での比較対象
• NeRF Synthetic / Lego3DGS 評価で標準的に使われる合成データセットの 1 シーン

評価指標

• PSNR (Peak Signal-to-Noise Ratio)画像品質指標、単位は dB、高いほど良い。25〜30 dB で品質良好、30 dB 以上で SOTA 級
• SSIM (Structural Similarity Index)構造的類似度。0〜1 の範囲で高いほど良い
• 検証 PSNR100 視点平均の検証用 PSNR
• 学習時間 (wallclock)実時間。30,000 反復を回しきるのにかかる時間

技術用語

• カーネルGPU 上で動く小さなプログラム (シェーダとほぼ同義)
• 順伝播 (forward) / 逆伝播 (backward)学習時の前向き計算 / 勾配計算
• ラスタライズ3D 情報を画素に落とす処理。3DGS では「タイルごとにガウシアンを重ね合わせる」段階
• SIMD1 命令で複数のデータを同時処理する仕組み。Apple GPU では 1 SIMD グループ = 32 スレッド
• 集約化 (reduction)複数スレッドで計算した値を 1 つにまとめる処理 (合計や平均)
• 命令キューGPU に投げる命令の待ち行列。Metal では MTLCommandQueue
• 引数バッファMetal の機構。カーネル引数を一括で渡せる
• TBDR (Tile-Based Deferred Rendering)タイル単位の遅延描画。Apple GPU の特徴で、専用の高速メモリ領域 (imageblock) が使える
• MCMC (Markov Chain Monte Carlo)確率的サンプリング手法。3DGS では点群更新の規則として近年提案
• 正則化学習中にパラメータの過大な変動を抑える項を損失に足すこと

実装・実験系

• 試作実装 (prototype)検証用の最初の実装
• パラメータ探索 (sweep)ハイパーパラメータを変えて最良を探す実験
• 移植判定 (migration gate)新実装が従来実装と同等に動くかを判定する手続き
• ワークスペースRust の cargo で複数クレートをまとめて管理する単位
• クレートRust のパッケージ単位
• 反復 (iteration)学習の 1 ステップ。本研究は 30,000 反復が標準
• 点群 (splats)3DGS の最適化対象。多数のガウシアンの集合

卒研内部の符号

• L1研究方針が確定した最初の節目 (2026-04-24、brush との差別化を 3 軸で確定)
• Phase 0〜6研究計画の段階。0:前提 / 1:事前調査 / 2:研究室 GPU baseline / 3:GPU 順伝播 / 4:学習ループ / 5:Apple 固有最適化 / 6:卒論執筆
• 節目 (Milestone)本研究で品質や速度の主要進展を切り出した区切り
• M-1 / M-2 / M-3 / M-3.x卒研中盤の主要な節目 4 件 (本資料の表参照)
• #x.y.z 記法内部のタスク管理コード (例 #4.29.D4 = Phase 4 step 29 sub-step D-4)
• brush 参考値 37.38 dBbrush で Lego を 30,000 反復学習した結果。比較の上限ベンチマーク

質疑応答で 2〜5 分を見越し、全体 5〜8 分の枠を想定する。