3D 高斯溅写：原则化的 3D 高斯溅不确定性修剪
计算机视觉与模式识别
2025-11-21 v3 图形学
机器学习
摘要
最近的新视角合成技术实现了高重建精度的实时渲染速度。基于点的参数化 3D 场景表示的 3D 高斯溅写（3D-GS）将场景建模为大量 3D 高斯。然而，复杂场景可能包含数百万个高斯，导致存储和内存需求高，限制了在资源有限的设备上使用 3D-GS 的可行性。当前用于压缩这些预训练模型的技术通过组合启发式方法来确定要删除的哪些高斯。在高压缩比率下，这些被修剪后的场景会出现视觉保真度严重下降和前景细节丢失。本文提出了一种原则化的灵敏度修剪得分，能够在显著高于现有方法的压缩比率下保留视觉保真度和前景细节。该得分作为每个高斯空间参数相对于训练视图重建误差的二阶近似计算。此外，我们提出了一个可应用于任何预训练 3D-GS 模型的多轮修剪-精炼管道，而无需更改其训练管道。在删除 90% 高斯后（显著高于前述方法的比例），我们的 PUP 3D-GS 管道将平均渲染速度提高 3.56 倍，同时在 Mip-NeRF 360、Tanks & Temples 和 Deep Blending 数据集的场景中，保留了更多显著的前景信息，并在图像质量指标上优于现有技术。
引用
@article{arxiv.2406.10219,
title = {PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting},
author = {Alex Hanson and Allen Tu and Vasu Singla and Mayuka Jayawardhana and Matthias Zwicker and Tom Goldstein},
journal= {arXiv preprint arXiv:2406.10219},
year = {2025}
}
备注
CVPR 2025, Project Page: https://pup3dgs.github.io/