FlexGaussian：面向3D高斯溅写的灵活且高效无训练压缩方法
计算机视觉与模式识别
2025-07-10 v1
摘要
3D高斯溅写（3D Gaussian splatting）因其高保真度和快速渲染优势，已成为表示和渲染复杂3D场景的突出技术。然而，随着大规模模型需求的增长，为降低内存和计算成本，尤其是在资源有限的移动和边缘设备上，亟需有效压缩。现有压缩方法虽能有效减少3D高斯参数，但常需大量重新训练或微调，难以适应不同压缩约束下的灵活性。本文引入FlexGaussian，一种结合混合精度量化与属性判别式剪枝的灵活且高效的无训练3D高斯压缩方法。FlexGaussian无需重新训练，即可轻松适应多样化的压缩目标。评估结果表明，FlexGaussian实现最高达96.4%的压缩率，同时维持高质量渲染（PSNR下降<1 dB），并可部署于移动设备。FlexGaussian在数秒内完成高压缩率，速度较当前最先进的无训练方法快1.7-2.1倍，较涉及训练的方法快10-100倍。代码正在准备中，预计不久后将发布于：https://github.com/Supercomputing-System-AI-Lab/FlexGaussian
引用
@article{arxiv.2507.06671,
title = {FlexGaussian: Flexible and Cost-Effective Training-Free Compression for 3D Gaussian Splatting},
author = {Boyuan Tian and Qizhe Gao and Siran Xianyu and Xiaotong Cui and Minjia Zhang},
journal= {arXiv preprint arXiv:2507.06671},
year = {2025}
}
备注
To appear at ACM MM 2025