HPC：用于流式动态高斯光束压缩的层次点基潜在表示
计算机视觉与模式识别
2026-02-03 v1
摘要
虽然动态高斯光束技术已推动了自由视点视频的显著进步，但在保持高渲染质量的同时实现小内存足迹以进行高效流式传输仍是一个持续的挑战。现有的流式动态高斯光束压缩方法通常利用潜在表示驱动神经网络预测帧之间的高斯残差。其核心潜在表示可分为结构化网格基和非结构化点基两大范畴。然而，前者因不可避免地对未占用空间建模而导致显著参数冗余，而后者因未利用局部相关性而受限于紧凑性。为缓解这些限制，我们提出了一种 novel 的流式动态高斯光束压缩框架HPC。它采用基于点的层次潜在表示，按每个高斯点 operate，以避免未占用空间的冗余参数。通过量身定制的聚合方案，这些潜在点实现了高紧凑性且空间冗余低。为提高压缩效率，我们进一步首次针对流式动态高斯光束压缩，对神经网络进行压缩，通过挖掘和利用参数的帧间相关性。结合潜在压缩，这形成了一个完整的端到端压缩框架。综合实验评估表明，HPC 显著优于现有的领先方法。它在保持高重建保真度的同时，存储降低了 67%。
引用
@article{arxiv.2602.00671,
title = {HPC: Hierarchical Point-based Latent Representation for Streaming Dynamic Gaussian Splatting Compression},
author = {Yangzhi Ma and Bojun Liu and Wenting Liao and Dong Liu and Zhu Li and Li Li},
journal= {arXiv preprint arXiv:2602.00671},
year = {2026}
}