NanoGS：基于训练-free 方法的高斯光点简化
计算机视觉与模式识别
2026-03-18 v1 图形学
摘要
3D 高斯光点 (3DGS) 通过以大量各向异性原始块表示场景，实现了高保真度、实时的最新视图合成，但通常需要数百万个光点，导致存储和传输成本显著增加。大多数现有压缩方法依赖于 GPU 强制的训练后优化和校准图像，限制了实际部署。我们引入 NanoGS，一个无需训练且轻量级的高斯光点简化框架。不同于依赖图像渲染监督，NanoGS 将简化建模为稀疏空间图上的局部两两合并。该方法通过保持质量的矩匹配近似两个高斯的单一原始块，并通过原混合物与其近似值之间的原则化合并成本来评估合并质量。通过将合并候选限制在局部邻域内并高效选择兼容的配对，NanoGS 在保持场景结构和外观的同时，产生紧凑的高斯表示。NanoGS 直接作用于现有的高斯光点模型，可在 CPU 上高效运行，保留标准的 3DGS 参数化，实现与现有渲染管道的无缝集成。实验表明，NanoGS 在保持高渲染保真度的同时，显著减少了原始块数量，为高斯光点简化提供了高效且实用的解决方案。我们的项目网站地址为 https://saliteta.github.io/NanoGS/。
引用
@article{arxiv.2603.16103,
title = {NanoGS: Training-Free Gaussian Splat Simplification},
author = {Butian Xiong and Rong Liu and Tiantian Zhou and Meida Chen and Zhiwen Fan and Andrew Feng},
journal= {arXiv preprint arXiv:2603.16103},
year = {2026}
}