基于误差量化的 3D 高斯溅写的原则化压缩框架——GaussianPOP
计算机视觉与模式识别
2026-02-09 v1
摘要
现有的 3D 高斯溅写（3D Gaussian Splatting, 3DGS）简化方法通常依赖重要性得分（如混合权重或灵敏度）来识别冗余高斯，但这些得分并未由视觉误差度量驱动，往往导致压缩率与渲染保真度之间的最优权衡不足。我们提出 GaussianPOP，一个基于解析高斯误差量化的原则化简化框架。我们的关键贡献是从 3DGS 渲染方程直接派生出的新型误差准则，精确衡量每个高斯对渲染图像的贡献。通过引入高度高效的算法，我们的框架实现了单次前向传播即可完成误差计算。该框架既准确又灵活，支持训练期间的按需修剪以及基于迭代误差重量化的后训练简化，以提升稳定性。实验结果表明，在两种应用场景下，我们的方法始终优于现有的领先剪枝方法，在模型紧凑性与高质量渲染之间的 trade-off 效果显著提升。
引用
@article{arxiv.2602.06830,
title = {GaussianPOP: Principled Simplification Framework for Compact 3D Gaussian Splatting via Error Quantification},
author = {Soonbin Lee and Yeong-Gyu Kim and Simon Sasse and Tomas M. Borges and Yago Sanchez and Eun-Seok Ryu and Thomas Schierl and Cornelius Hellge},
journal= {arXiv preprint arXiv:2602.06830},
year = {2026}
}