A.5 Final Ablation Table — brush vs 自作 + パラメータ ablation

卒論の central table。M-3.x baseline (自作 splat trainer 24.879 dB / 23m13s / 83,734 splats sh3-30k re-run、variance σ ±0.32 dB) を起点に、SH degree (0/1/2/3) / MCMC / multi-scene (NeRF Synthetic 8 シーン complete) / Apple Silicon vs CUDA の三層対比 / Apple 固有最適化 (A.7/A.9/A.10) / iter & capacity scaling (E.5/E.6) を 1 つの表系列に統合する。第 1 軸 (品質): brush 37.46 > gsplat 32.94 > orig 3DGS 28.38 > 自作 24.88、シーン依存性 17.6 dB の幅 (ficus 13.96 〜 hotdog 30.29、8 シーン mean 18.95 ± 6.0)。第 2 軸 (wgpu 抽象コスト): 2 機種で wgpu < native という想定逆転、Chapter 4.2 のフレーミング書き換え必須。第 3 軸 (Apple 固有最適化): A.7 batched cmd buffer multi-scene で chair -18.6% / lego -6.16% / ficus -1.6% と scene-dependent、A.9 f16 forward -10 dB / +75% 二重 negative、A.10 Kahan bit-identical で variance σ ±0.32 dB が GPU 非決定性由来確定 (1 positive scene-dependent / 2 negative / 1 documented A.6 / 1 別 branch StopThePop)。モバイル含意: E.6 capacity 50-100k で 1M と同等品質 + E.5 iter 10k で 96.7% 達成、deployment 容易な data point 確定。

目的

卒論の central table。M-3.x baseline を起点に SH degree / MCMC / 他シーンの効果を一覧する

起草

2026-05-22

最終更新

2026-05-22 23:00 JST (A.8 sh=0/1 完了、sh=2/3 走行中)

Multi-scene (NeRF Synthetic 8 シーン complete、2026-05-24) — A.4 legacy convention 旧数字

Multi-scene Phase D (brushcompat + opacity_decay 30k、2026-05-25) — M5 完全達成 + brush 超え

Phase G.3 SH-progressive 30k (Phase D + sh_progressive、2026-05-26) — Pareto extension

メイン表 — Lego (NeRF Synthetic)

第 1 軸 (Apple Silicon native vs CUDA reference) — 三層対比完成 (2026-05-23)

核心 finding (2026-05-23 三層対比完成版)

1. PSNR 順序: brush (37.46) > gsplat (32.94) > orig 3DGS (28.38) > 自作 (24.84) — 抽象レイヤの薄さと品質は 逆相関。CUDA native (paper) よりも wgpu (brush) の方が +9.1 dB 高い。原因は trainer recipe (densification、refine schedule、capacity、eval convention の整合性) の差で、抽象コストは completely overshadowed。
2. wallclock 順序: gsplat (5m03) < brush (8m24) < orig 3DGS (10m37) < 自作 (23m40) — wgpu (brush) は CUDA native (orig 3DGS) より 約 21% 速い (m4-brush-bench.md の M4 Max 観察と同方向)。即ち V100 でも「抽象コスト ≪ 実装最適化レベル」が成立、卒研 Chapter 4.2 のフレーミング ("wgpu 抽象は重い") を完全否定する direction で 2 機種一致。
3. orig 3DGS の eval convention 依存: 同 30k checkpoint を 4 通り eval すると 2.5 dB (broken upstream) / 14.6 dB (paper-std white-bg) / 28.4 dB (codebase-internal、α-mask render vs raw gt) と 26 dB の幅で振れる。本表は codebase-internal (28.4) を採用するが、3 層対比の絶対値比較は eval convention を揃えない限り正しくない。詳細 c32-orig3dgs-bench.md §6。
4. 自作 (24.84) と brush (37.46) の 12.6 dB gap が依然支配的 — 本研究の trainer recipe が brush に届かない。第 2 軸の純粋抽象コスト測定は本実装が brush 水準に到達した後でないと不可。

第 2 軸 (wgpu 抽象コスト) — 2026-05-23 大幅更新

M4 Max での 直接対比 (同 GPU 上で wgpu→Metal vs native Metal)

V100 での wgpu→Vulkan vs CUDA native (第 2 軸の本筋対比、完成)

V100 同居 wallclock の意味: orig 3DGS (CUDA native、paper baseline) と brush (wgpu→Vulkan) は 同 V100 GPU・同 30k iter・同 NeRF Synthetic Lego で動かしたので、wallclock の差 = wgpu 抽象オーバーヘッド + trainer 実装差という解釈になる。実測では brush が orig より 21% 速い。即ち抽象コストは正でなく、本実装の最適化レベル不足が主因。M4 Max 上の brush vs 自作の対比 (2.59x 速い) と方向性一致、抽象コスト ≪ 実装最適化レベル のテーゼが 2 機種で確認された。

核心 finding (2026-05-23 確定)

1. wgpu→Metal は native Metal より遅くなかった、むしろ本実装より 2.6× 速い — 「wgpu 抽象は遅い」という素朴予想を 反証。本実装の trainer (自作) が brush の trainer recipe より immature だったため、wgpu のオーバーヘッドが実装最適化の差に 完全に埋没。結論: 「wgpu 抽象コスト」を純粋に取りたければ 同 trainer recipe + wgpu vs native の対比が必要。今 session のデータは「実装最適化レベル + 抽象」の合算で、純粋抽象コストは未確定。
2. wgpu→Vulkan も CUDA native (gsplat) より高 PSNR (+4.5 dB)、wallclock は CUDA が 1.67× 速い。これも実装差 (brush trainer vs gsplat simple_trainer) が支配的、抽象コスト純抽出は不可。
3. 卒論への影響: 第 2 軸の主張を「wgpu 抽象は重い」から「抽象コスト < 実装最適化レベル」に転換すべき (Negative finding として位置付け可)。Chapter 4.2 のフレーミング全面書き換えを検討。

第 3 軸 (Apple Silicon 固有最適化)

SH degree ablation サマリ (A.8、走行中)

SH=0:  16.50 dB  -8.38 dB vs sh=3 re-run  40,288 splats  26m47s
SH=1:  19.07 dB  -5.81 dB vs sh=3 re-run  64,139 splats  22m38s
SH=2:  23.63 dB  -1.25 dB vs sh=3 re-run  70,155 splats  22m37s
SH=3:  24.879 dB (sh=3 re-run, full schema)             83,734 splats  23m13s
ref:   24.842 dB (migration-gate, 旧 result.toml)        79,239 splats  23m40s   ← +0.037 dB drift

観察

• SH degree 1 つ上げる毎に PSNR +2.57 → +4.56 → +1.22 dB → degree 2 と 3 の差は急減、収益逓減
• splats 数も SH degree と単調増加、高 degree ほど refine 時に保持される
• wallclock は SH=0 が若干遅い (26m47s vs 他 ~22m半)、SH 切り詰めで refine 挙動が変わるためか
• モバイル想定 take: SH=2 で 95% の品質 (-1.22 dB) を 88% の splats (70k/79k) で達成 → メモリ制約下では sh=2 が cost-effective

注釈

† MCMC fix2 30k の wallclock 1h10m は brush M4 30k と同一 GPU で並列実行したため約 3 倍に膨張。単独実行時の見積もりは ~25-28 min (capacity 1M densify による per-iter 計算量増加の影響もあり)。

Resolution scaling 中間結果 (A.12、走行中)

res 200:   23.901 dB   80,147 splats   23m41s   (sh=3、PSNR -0.98 dB vs 800px、ほぼ同 wallclock)
res 400:   25.481 dB   83,177 splats   22m50s   (sh=3、PSNR +0.60 dB vs 800px、**sweet spot**)
res 800:   24.964 dB   81,945 splats   22m38s   (A.12 独立 run、24.879 baseline と +0.085 dB variance band 内)
ref:       24.879 dB   83,734 splats   23m13s   (= A.8 sh=3 baseline、同条件)

観察 (中間)

• res 200 でも PSNR 23.9 dB (vs 800 の 24.88、わずか -0.98 dB ロス) — Lego の幾何が単純で低解像度でも 3DGS が学習しきれる
• wallclock がほぼ同 (~23m半) — 我々の trainer は splat-bound (1M capacity) で pixel-bound ではない。resolution を下げても速度は上がらない
• thesis 含意: モバイル推論で重要なのは training resolution ではなく trained model size (splats × bytes/splat)

残課題 (本表を完成させるため)

1. A.8 sh=2 / sh=3 再現 run 完了 ✓ 全 4 段階完了 (16.50 / 19.07 / 23.63 / 24.879 dB)
2. A.2 part 2 (MCMC 完全実装) ✓ 実装完遂、Negative finding として close (17.38 dB)
3. A.3 phase 2 (CUDA bench) ✓ 三層対比表完成 (V100 brush / orig / gsplat)
4. A.4 NeRF Synthetic 4 シーン展開 — chair-30k 進行中 (2026-05-23 05:16〜)、その後 ficus / drums / hotdog (~90 min)
5. ✓ A.6 #feat.G f16 packed → kernel + glue cherry-pick 完了 (cargo test 73/73)、trainer integration 未着手で 30k bench 不可、documented investigation (a-6-feat-g-packed-investigation)
6. ✓ A.7 ICB simpler batching → 30k bench 完了 24.577 dB / 21m47s / -6.16% (a-7-icb-batching-results)、Mildly positive
7. ✓ A.9 f16 forward → 30k bench 完了 14.873 dB / 40m40s / -10 dB / +75%、Negative (a-9-f16-forward-negative)
8. brush ref re-validation — 3dgs-rs/runs/ にある M-3.x 旧 run の再現確認 (現状 splat workspace 移行で seed drift の懸念)

参照

• 個別 run summary: public/runs/index.html
• MCMC spec: mcmc-3-defects.md
• CUDA env: c33-cuda-setup-notes.md
• 関連 memory: [[autonomous-plan-a-b]], [[research_direction]], [[h_a_regression_findings]], [[feat_g_f16_packed_roi]]

この finding が観測された / 言及している実験 run。

• lego-res200-30kA.12 Resolution scaling 実験 — Lego 200x200 pxPSNR 23.90 dBWallclock 23m 41sverdict partial
• lego-res400-30kA.12 Resolution scaling 実験 — Lego 400x400 pxPSNR 25.48 dBWallclock 22m 50sverdict partial
• lego-res800-30kA.12 Resolution scaling 実験 — Lego 800x800 pxPSNR 24.96 dBWallclock 22m 38sverdict partial
• lego-sh0-30kA.8 SH degree ablation — sh_degree=0 (DC only, no view-dependence)PSNR 16.50 dBWallclock 26m 47sverdict partial
• lego-sh1-30kA.8 SH degree ablation — sh_degree=1 (DC only, no view-dependence)PSNR 19.07 dBWallclock 22m 38sverdict partial
• lego-sh2-30kA.8 SH degree ablation — sh_degree=2 (DC only, no view-dependence)PSNR 23.63 dBWallclock 22m 37sverdict partial
• lego-sh3-30kA.8 SH degree ablation — sh_degree=3 (DC only, no view-dependence)PSNR 24.88 dBWallclock 23m 13sverdict partial

• mixedA.4 NeRF Synthetic 他シーン展開 — 8 シーン complete 30k 結果2026-05-24
• negativeA.10 Kahan summation — Metal compiler が compensator を最適化消去2026-05-23
• positivec32 V100 gsplat smoke — NFS 共有 env を異 sm 機へ持ち込み JIT 再 build 1 回で動作確認2026-05-23
• mixedc32 V100 原著 3DGS 30k bench — A.5 三層対比表の最終 row & eval convention 乖離 finding2026-05-23
• mixedM4 Max 上 brush (wgpu→Metal) の 30k baseline — wgpu 抽象は自作より速かった2026-05-23
• negativeA.2 MCMC 検証で発覚した noise gate 不整合と L1 全滅 segfault2026-05-23
• neutralA.2 MCMC 法の完全実装 — 3 設計欠陥の整理 (spec)2026-05-22