通过场景自适应晶格向量量化提升 3D 高斯溅写压缩性能
计算机视觉与模式识别
2026-05-21 v2
摘要
3D 高斯溅写 (3DGS) 因其逼真的渲染质量和实时性能而迅速流行，但会产生海量数据。因此，对 3DGS 数据进行压缩对于降低 3DGS 模型的成本至关重要。最近提出了几种基于锚点的神经压缩方法，取得了良好的 3DGS 压缩效果。然而，这些方法都因其简单性而依赖统一标量量化 (USQ)。一个引人入胜的问题是：是否可以通过在系统开销极少且对系统几乎无需修改的情况下，用更复杂的量化器来提高当前 3DGS 压缩方法的性能。答案是肯定的，这可以通过用晶格向量量化 (LVQ) 替换 USQ 来实现。为了更好地捕捉场景中特定的特征，我们为每个场景优化晶格基，提高了 LVQ 的适应性和率失效率。这种场景自适应 LVQ (SALVQ) 在向量量化的率失效率和统一标量量化的低复杂度之间取得了平衡。SALVQ 可以无缝集成到现有的 3DGS 压缩架构中，通过最小的修改和计算开销来提升其率失效率。此外，通过对晶格基向量进行比例缩放，SALVQ 能够动态调整晶格密度，使单个模型能够适应多个比特率目标。这种灵活性消除了为不同的压缩级别训练独立模型的需求，显著减少了训练时间和内存消耗。
引用
@article{arxiv.2509.13482,
title = {Improving 3D Gaussian Splatting Compression by Scene-Adaptive Lattice Vector Quantization},
author = {Hao Xu and Xiaolin Wu and Xi Zhang},
journal= {arXiv preprint arXiv:2509.13482},
year = {2026}
}
备注
Accepted by IEEE TIP. Code available at https://github.com/hxu160/SALVQ