GoDe：按需高斯用于渐进式细节层次和可扩展压缩
计算机视觉与模式识别
2026-03-23 v3
摘要
近期在压缩显式辐射场表示（特别是3D高斯斯普拉特）方面的进展显著降低了内存消耗，同时提高了实时渲染性能。然而，现有方法仍然是固有单速率：每个压缩级别都需要单独优化的模型，导致一组固定的运行点，而非真正可扩展的表示。这限制了在内存、带宽或计算预算在不同设备或随时间变化的情况下的部署。我们认为，可扩展性应该是表示的内在属性。我们展示，经过训练的显式辐射模型具有信息的结构化分布，可通过在训练期间可获得的标准优化信号来揭示。特别是，聚合梯度灵敏度提供了一种简单、模型无关的准则，用于将原始图元组织从粗糙结构到更细的细节。基于此，我们引入GoDe（Gaussians on Demand），一个通用的可扩展压缩和渐进式细节层次控制框架，针对3D高斯斯普拉特进行实例化。从单个训练模型开始，GoDe将高斯原始图元重新组织为固定的渐进式层次结构，支持多个速率失真运行点，无需重新训练或按级别进行细调。在单个量化感知微调阶段中，确保该方法在所有层级下在低精度存储下的一致行为。在标准基准和多个3D高斯斯普拉特骨干模型上的大量实验表明，GoDe在速率失真性能方面相当于最先进的单速率方法，同时实现了真正的可扩展压缩和统一表示中的自适应渲染。项目页面：https://gaussians-on-demand.github.io
引用
@article{arxiv.2501.13558,
title = {GoDe: Gaussians on Demand for Progressive Level of Detail and Scalable Compression},
author = {Francesco Di Sario and Riccardo Renzulli and Marco Grangetto and Akihiro Sugimoto and Enzo Tartaglione},
journal= {arXiv preprint arXiv:2501.13558},
year = {2026}
}