图像条件化的三维高斯泼溅量化
计算机视觉与模式识别
2025-10-01 v2 人工智能
图形学
摘要
三维高斯泼溅 (3D Gaussian Splatting, 3DGS) 因能实现高质量实时渲染而备受关注。尽管已有针对存储受限设备部署的 3DGS 压缩方法，但两个局限性阻碍了其用于存档：(1) 它们仅能将中等规模场景压缩至兆字节范围，这对于大规模场景或大量场景集合仍不实用；(2) 它们缺乏适应长期存档后场景变化的机制。为解决这些局限性，我们提出了一种图像条件化的高斯泼溅量化器 (ICGS-Quantizer)，它显著提高了压缩效率，并提供了对存档后场景变化的适应性。ICGS-Quantizer 通过联合利用高斯间和属性间的相关性，并在所有训练场景中使用共享码本（这些码本随后被固定并应用于未见过的测试场景，从而消除了每场景码本的开销）来提高量化效率。该方法有效地将 3DGS 的存储需求降低到千字节范围，同时保持了视觉保真度。为了实现对存档后场景变化的适应性，ICGS-Quantizer 以解码时捕获的图像为条件进行场景解码。编码、量化和解码过程是联合训练的，以确保作为场景量化表示的码本对条件解码有效。我们在三维场景压缩和三维场景更新上评估了 ICGS-Quantizer。实验结果表明，ICGS-Quantizer 在压缩效率和对场景变化的适应性方面始终优于最先进的方法。我们的代码、模型和数据将在 GitHub 上公开。
引用
@article{arxiv.2508.15372,
title = {Image-Conditioned 3D Gaussian Splat Quantization},
author = {Xinshuang Liu and Runfa Blark Li and Keito Suzuki and Truong Nguyen},
journal= {arXiv preprint arXiv:2508.15372},
year = {2025}
}