POTR：训练后 3DGS 压缩
计算机视觉与模式识别
2026-05-25 v1
摘要
3D Gaussian Splatting (3DGS) 最近作为 3D 场景重建和实时新视角合成中 Neural Radiance Fields (NeRF) 的有力竞争者而出现。3DGS 在训练和推理速度上优于 NeRF，但存储需求显著更高。为了弥补这一缺点，我们提出了 POTR，一种基于两项新颖技术的训练后 3DGS 编解码器。首先，POTR 引入了一种新颖的剪枝方法，该方法使用修改后的 3DGS 光栅化器来同时高效计算每个 splat 的单独移除效果。该技术使 splat 数量比其他训练后剪枝技术减少 2-4 倍，因此也显著加速了推理，实验表明推理速度比其他压缩模型快 1.5-2 倍。其次，我们提出了一种重新计算光照系数的新方法，在不使用任何形式训练的情况下显著降低其熵。我们快速且高度并行的方法特别提高了 AC 光照系数的稀疏性，实验表明其稀疏度从 70% 增加到 97%，且质量损失极小。最后，我们用简单的微调方案扩展了 POTR，以进一步增强剪枝、推理和率失真性能。实验表明，即使不进行微调，POTR 在率失真性能和推理速度上也始终优于所有其他训练后压缩技术。
引用
@article{arxiv.2601.14821,
title = {POTR: Post-Training 3DGS Compression},
author = {Bert Ramlot and Martijn Courteaux and Peter Lambert and Glenn Van Wallendael},
journal= {arXiv preprint arXiv:2601.14821},
year = {2026}
}
备注
15 pages, 12 figures. Submitted to IEEE TCSVT, under review