Instant GaussianImage：基于2D高斯溅写的通用自适应图像表示
计算机视觉与模式识别
2025-07-01 v1
摘要
隐式神经表示(INR)在图像表示领域展现出显著进展，但需要大量GPU资源。GaussianImage最近首次采用高斯溅写技术以缓解此开销，然而其训练过程缓慢，限制了实际应用性；固定的每图像高斯数量限制了其对不同信息熵的适应性。为此，本文提出一种基于2D高斯溅写的通用自适应图像表示框架。该方法采用网络快速生成粗糙的高斯表示，随后进行最小化微调，实现与GaussianImage相当的渲染质量，同时显著缩短训练时间。此外，本方法可根据图像复杂度动态调整高斯点的数量，从而进一步提升实际应用中的灵活性和效率。在DIV2K和Kodak数据集上的实验表明，本方法在更少的迭代次数和更短的训练时间下，实现了与或超过GaussianImage的渲染性能。具体而言，本方法在训练时间上缩短最长可达一个数量级，同时以相同数量的高斯实现卓越的渲染性能。
引用
@article{arxiv.2506.23479,
title = {Instant GaussianImage: A Generalizable and Self-Adaptive Image Representation via 2D Gaussian Splatting},
author = {Zhaojie Zeng and Yuesong Wang and Chao Yang and Tao Guan and Lili Ju},
journal= {arXiv preprint arXiv:2506.23479},
year = {2025}
}