基于长程建模的 3D 高斯溅写压缩
计算机视觉与模式识别
2025-12-02 v1
摘要
3D 高斯溅写 (3DGS) 已成为革命性的 3D 表示方法，但其巨大的数据规模构成了广泛采用的主要障碍。虽然前馈 3DGS 压缩提供了一种实用的替代方案，无需为每个场景单独训练压缩器，但现有方法在建模长程空间依赖性方面受限，由于变换编码网络的受限感受野以及熵模型中不足的上下文容量。本文提出了一种新型的前馈 3DGS 压缩框架，有效地建模长程相关性，以实现高度紧凑且通用的 3D 表示。我们方法的核心是基于 Morton 序列化构成的大规模上下文结构，包含数千个高斯点。随后，我们设计了细粒度的空间-通道自回归熵模型，以充分利用这一广阔的上下文。此外，我们开发了一种基于注意力的变换编码模型，通过聚合来自广泛邻域高斯点的特征，提取信息丰富的潜在特征。我们的方法在前馈推理下实现了对 3DGS 的 20 倍压缩比率，并在通用编解码器中实现了最先进的性能。
引用
@article{arxiv.2512.00877,
title = {Feed-Forward 3D Gaussian Splatting Compression with Long-Context Modeling},
author = {Zhening Liu and Rui Song and Yushi Huang and Yingdong Hu and Xinjie Zhang and Jiawei Shao and Zehong Lin and Jun Zhang},
journal= {arXiv preprint arXiv:2512.00877},
year = {2025}
}