3DTurboQuant：面向3D重建模型的无训练近似最优量化
计算机视觉与模式识别
2026-04-08 v1 人工智能
摘要
现有所有用于压缩3D Gaussian Splatting、NeRF 或基于transformer的3D重建模型的方法，都需要通过 per-scene 微调学习数据依赖的码本。我们表明，这并非必需。这些模型中占存储主导地位的参数向量——3DGS 中的45维球面谱和 DUSt3R 中的1024维键值向量——落在一个维度范围内，单个随机旋转即可将输入转换为已知 Beta 分布坐标。这使得预计算、数据无关的 Lloyd-Max 量化接近最优，仅比信息论下界差约2.7倍。我们开发了3DTurboQuant，(1) 提出一种基于维度的判别标准，预测哪些参数可被量化以及在何种位数下进行，而无需进行任何实验；(2) 建立范数-分离界限，将量化 MSE 与每个场景的渲染 PSNR 相联系；(3) 提出一种入口-分组策略，将旋转基于的量化扩展到二维哈希网格特征；(4) 实现一个可组合的剪枝-量化管线，提供闭形式压缩比。实验表明，在 NeRF Synthetic 上，3DTurboQuant 将3DGS压缩为3.5倍，保持0.02dB PSNR 损失；将 DUSt3R KV 缓存压缩为7.9倍，保持39.7dB点图保真度。无需训练、无需码本学习、无需校准数据，压缩耗时仅为秒级。代码将在 https://github.com/JaeLee18/3DTurboQuant 发布。
引用
@article{arxiv.2604.05366,
title = {3DTurboQuant: Training-Free Near-Optimal Quantization for 3D Reconstruction Models},
author = {Jae Joong Lee},
journal= {arXiv preprint arXiv:2604.05366},
year = {2026}
}
备注
Preprint