SA-3DGS：面向 3D 高斯溅写的自适应压缩方法
计算机视觉与模式识别
2025-09-17 v2
摘要
近期的 3D 高斯溅写技术显著提升了高质量新视角合成的效率，但表示场景所需的大量高斯点导致存储需求高，限制了实际部署。最新方法虽促进了高斯模型压缩，却难以识别场景中 truly 不重要的高斯点，进而影响后续高斯修剪、压缩质量和渲染性能。为此，我们提出 SA-3DGS，通过学习重要性得分自动识别场景中最不重要的高斯点，从而实现有效修剪和冗余降低。随后，重要性感知聚类模块将高斯属性更准确地压缩至码本中，提升码本表达能力的同时缩小模型尺寸。最后，码本修复模块利用场景的上下文信息修复码本，从而恢复原始高斯点属性，缓解因信息丢失导致的渲染质量下降。在多个基准数据集上实验表明，我们的方法实现了最高可达 66 倍的压缩，同时保持甚至提升渲染质量。该提出的高斯修剪方法不仅适用于但也提升了其他修剪方法（如 LightGaussian），展现出卓越的性能和强大的泛化能力。
引用
@article{arxiv.2508.03017,
title = {SA-3DGS: A Self-Adaptive Compression Method for 3D Gaussian Splatting},
author = {Liheng Zhang and Weihao Yu and Zubo Lu and Haozhi Gu and Jin Huang},
journal= {arXiv preprint arXiv:2508.03017},
year = {2025}
}
备注
This paper is being withdrawn as the work is incomplete and requires substantial additional development before it can be presented