面向3D高斯溅写数据压缩的混合熵模型（HEMGS）
计算机视觉与模式识别
2025-04-23 v2
摘要
本文提出了一种用于3D高斯溅写（3DGS）数据的新型压缩框架。基于锚点基3DGS方法，本方法通过引入面向3D高斯溅写的混合熵模型（HEMGS）来实现混合有损和无损压缩。它包含三个主要组成部分：可变速率预测器、超先验网络和自回归网络。首先，与采用多模型实现多速率有损压缩从而增加训练开销的先前方法不同，我们的可变速率预测器通过产生一种用于灵活有损压缩的学习量化步长特征，实现单模型的可变速率压缩。其次，为了提高无损压缩效果，超先验网络捕获场景无关和场景特定特征，以生成先验特征；而自回归网络采用具有灵活感受野的自适应上下文选择算法，以产生上下文特征。通过整合这两个特征，HEMGS能够准确估计当前编码元素在每个属性中的分布，从而实现更好的熵编码并降低存储需求。我们将HEMGS集成到压缩框架中，实验结果在四个基准数据集上表明，HEMGS在保持基线方法渲染质量的同时，平均减小40%的体积，并实现了最先进的压缩效果。
引用
@article{arxiv.2411.18473,
title = {HEMGS: A Hybrid Entropy Model for 3D Gaussian Splatting Data Compression},
author = {Lei Liu and Zhenghao Chen and Wei Jiang and Wei Wang and Dong Xu},
journal= {arXiv preprint arXiv:2411.18473},
year = {2025}
}