GETA-3DGS：用于3D高斯溅写的自动联合结构化剪枝与量化
机器学习
2026-05-05 v1 人工智能
图形学
图像与视频处理
摘要
3D高斯溅写(3DGS)是实现实时全新视角合成的领先表示方法之一，但单个高保真场景通常占用数百MB至数GB存储，超出了移动端、沉浸式及体积视频平台的预算。现有3DGS压缩方法（如HAC++、FlexGaussian、LP-3DGS）将剪枝、量化与熵编码视为独立阶段，依赖手工调优的启发式方法（如不透明度阈值、固定位宽、SH截断），限制了跨场景泛化，并阻止用户指定目标速率或质量预算。我们提出GETA-3DGS，首个面向3DGS的端到端自动联合结构化剪枝与量化框架。基于GETA实现深度网络联合剪枝-量化，我们贡献：（i）一种3DGS感知的量化感知依赖图(QADG)，将每个高斯原始块视为包含五个属性子节点和度感知SH子节点的组；（ii）一种渲染感知的显著性融合，将透射加权贡献、屏幕空间梯度与像素覆盖率融合为高斯级重要性得分；（iii）一种在投影部分显著性导向(PPSG)下保证的异构每属性混合精度方案，联合优化结构稀疏性。在Mip-NeRF 360、Tanks and Temples、Deep Blending等数据集上，GETA-3DGS直接作用于原始高斯原始块而非后处理锚点表示，实现约5倍于Vanilla 3DGS的存储降低，无需每场景阈值。位宽策略是主导速率-失真杠杆：统一6位上限对视觉依赖场景损失最高达-6.74 dB，而我们的异构分配方式则匹配我们发展的信息论逆水钟分析。GETA-3DGS可与现有编解码器互补：熵编码(HAC++、CompGS)为下游步骤，两者可组合。
引用
@article{arxiv.2605.02086,
title = {GETA-3DGS: Automatic Joint Structured Pruning and Quantization for 3D Gaussian Splatting},
author = {Baobing Zhang and Wanxin Sui},
journal= {arXiv preprint arXiv:2605.02086},
year = {2026}
}