基于噪声替代向量量化压缩3D高斯溅
计算机视觉与模式识别
2025-12-03 v2 机器学习
摘要
3D高斯溅（3DGS）在3D重建方面展现出显著效能，实现高质量结果并实现实时辐射场渲染。然而，一个关键挑战是巨大的存储成本：重建单个场景通常需要数百万个高斯溅，每个高斯溅由59个浮点参数表示，结果约为1 GB的内存。为解决此挑战，我们提出一种压缩方法，通过构建独立的属性词汇表并仅存储离散代码索引来实现。具体而言，我们采用噪声替代向量量化技术联合训练词汇表和模型特征，确保梯度下降优化与参数离散化之间的一致性。我们的方法有效减少了内存消耗（约），同时保持标准3D基准场景上的具竞争力的重建质量。实验在不同的词汇表大小上显示压缩比与图像质量之间的权衡。此外，训练好的压缩模型完全兼容流行的3DGS查看器，实现更快的渲染速度，使其适用于实际应用。
引用
@article{arxiv.2504.03059,
title = {Compressing 3D Gaussian Splatting by Noise-Substituted Vector Quantization},
author = {Haishan Wang and Mohammad Hassan Vali and Arno Solin},
journal= {arXiv preprint arXiv:2504.03059},
year = {2025}
}
备注
Appearing in Scandinavian Conference on Image Analysis (SCIA) 2025