MesonGS：基于高效属性变换的3D高斯后训练压缩

3D高斯溶解在新视角合成方面表现出卓越的质量和速度。然而，3D高斯庞大的文件大小为传输和存储带来了挑战。当前工作设计紧凑模型以取代3D高斯的大量体积和属性，以及密集的训练以提取信息。这些努力需要相当大的训练时间，给 practical 部署带来了巨大的障碍。为此，我们提出了MesonGS，一种用于3D高斯后训练压缩的编解码器。首先，我们引入一种度量标准，考虑视角相关和视角无关因素，以评估每个高斯点的渲染输出影响，从而实现对无关紧要点的移除。随后，通过两种互补后续熵编码技术的变换来降低属性的熵，以提高文件压缩率。具体而言，我们首先将旋转四元数替换为欧拉角；然后，我们应用区域自适应分层变换对关键属性进行变换以降低熵。最后，我们采用更细粒度的量化以避免过度信息损失。此外，设计了一个妥当的微调方案以恢复质量。广泛的实验表明，MesonGS显著减少了3D高斯的大小，同时保持了具竞争力的质量。