GaussianSpa：用于紧凑高质量三维高斯溅射的"优化-稀疏化"简化框架

三维高斯溅射（3DGS）已成为新视角合成的主流方法，利用高斯函数的连续聚合来建模场景几何。然而，3DGS需要大量内存来存储众多高斯函数，制约了其实用性。为应对这一挑战，我们提出了GaussianSpa，一个基于优化的简化框架，用于实现紧凑且高质量的三维高斯溅射。具体而言，我们将简化形式化为与3DGS训练相关的优化问题。对应地，我们提出了一种高效的"优化-稀疏化"求解方案，交替求解两个独立的子问题，在训练过程中逐步对高斯函数施加强稀疏性。我们在多个数据集上的全面评估表明GaussianSpa优于现有最先进方法。特别地，GaussianSpa在真实世界的Deep Blending数据集上以10$\times$更少的高斯函数实现了平均PSNR提升0.9 dB。我们的项目页面位于 https://noodle-lab.github.io/gaussianspa/。