基于空间条件的预测技术提升 3D 高斯溅写压缩效率
计算机视觉与模式识别
2025-04-01 v1 多媒体
摘要
最近，3D 高斯溅写 (3D Gaussian Splatting, 3DGS) 因其卓越的实时渲染性能，在新视角合成 (Novel View Synthesis, NVS) 中获得了广泛关注。然而，原始 3DGS 的存储和传输成本极高，严重阻碍了其实际应用（单个场景需数百兆甚至数十亿字节）。针对视频压缩中预测技术的取得成果，我们引入预测技术于锚定-based 高斯表示，以有效降低比特率。具体提出基于空间条件的预测模块，利用网格捕获的场景信息进行预测，并设计残差补偿策略以学习遗漏的细粒度信息。此外，进一步压缩残差，我们提出基于实例的超先验模型，构建结构感知与实例感知的熵模型。大量实验表明，我们的预测驱动压缩框架及各技术组件均显著有效。即使与当前最先进压缩方法相比，我们的框架仍实现了约 24.42% 的比特率节省。代码即将公开！
引用
@article{arxiv.2503.23337,
title = {Enhancing 3D Gaussian Splatting Compression via Spatial Condition-based Prediction},
author = {Jingui Ma and Yang Hu and Luyang Tang and Jiayu Yang and Yongqi Zhai and Ronggang Wang},
journal= {arXiv preprint arXiv:2503.23337},
year = {2025}
}
备注
The paper has been accepted by ICME2025 in March,2025