MEGS$^{2}$：基于球面高斯与统一剪枝的内存高效高斯泼溅
计算机视觉与模式识别
2026-03-02 v3 人工智能
摘要
3D Gaussian Splatting (3DGS) 已成为主流的新视角合成技术，但其高昂的内存消耗严重限制了其在边缘设备上的适用性。越来越多的 3DGS 压缩方法被提出以提升 3DGS 的效率，但大多数仅关注存储压缩，未能解决渲染内存这一关键瓶颈。为解决此问题，我们提出了 MEGS，一种新颖的内存高效框架，通过联合优化两个关键因素——图元总数和每个图元的参数——来应对这一挑战，实现了前所未有的内存压缩。具体而言，我们用轻量级、任意方向的球面高斯波瓣替代了内存消耗大的球谐函数作为颜色表示。更重要的是，我们提出了一个统一的软剪枝框架，将图元数量剪枝和波瓣数量剪枝建模为单一的约束优化问题。实验表明，与现有方法相比，MEGS 在保持可比渲染质量的同时，实现了 50% 的静态 VRAM 减少和 40% 的渲染 VRAM 减少。项目页面：https://megs-2.github.io/
引用
@article{arxiv.2509.07021,
title = {MEGS$^{2}$: Memory-Efficient Gaussian Splatting via Spherical Gaussians and Unified Pruning},
author = {Jiarui Chen and Yikeng Chen and Yingshuang Zou and Ye Huang and Peng Wang and Yuan Liu and Yujing Sun and Wenping Wang},
journal= {arXiv preprint arXiv:2509.07021},
year = {2026}
}
备注
20 pages, 8 figures. Accepted by ICLR 2026