基于混合先验的 3D 高斯溅写数据压缩
计算机视觉与模式识别
2025-08-12 v2
摘要
3D 高斯溅写 (3DGS) 数据压缩对于实现 3D 场景建模中的高效存储和传输至关重要，但其发展受限于不充分的熵模型和次优的量化策略，影响无损和有损压缩场景。现有方法尚未 1) 充分利用超先验信息构建稳健的条件熵模型，以及 2) 应用细粒度的元素级量化策略以提高压缩粒度。本文提出一种新颖的混合先验 (MoP) 策略，以同时解决上述两个挑战。具体而言，受混合专家 (MoE) 范式启发，我们的 MoP 方法通过多个轻量级 MLP 处理超先验信息，生成多样化的先验特征，随后通过门控机制将其整合到 MoP 特征中。为增强无损压缩，所得 MoP 特征用作超先验，以改进条件熵建模。同时，对于有损压缩，我们将 MoP 特征作为指导信息用于元素级量化程序，利用基于先验引导的粗到细量化 (C2FQ) 策略，预定义量化步长值。具体而言，我们将量化步长值扩展为矩阵，并在 MoP 特征的指导下从粗到细调整细，从而获得促进元素级量化的量化步长矩阵。广泛实验表明，我们提出的 3DGS 数据压缩框架在多个基准（包括 Mip-NeRF360、BungeeNeRF、DeepBlending 和 Tank&Temples）上实现了业界领先的性能。
引用
@article{arxiv.2505.03310,
title = {3D Gaussian Splatting Data Compression with Mixture of Priors},
author = {Lei Liu and Zhenghao Chen and Dong Xu},
journal= {arXiv preprint arXiv:2505.03310},
year = {2025}
}