基于残差的渐进式高斯溶解空间上下文注意：SCAR-GS
计算机视觉与模式识别
2026-01-09 v1 图形学
摘要
最近的 3D 高斯溶解技术使得实时、高保真的新视角合成成为可能。然而，这些模型对于大型和中等尺寸场景具有显著的存储需求，阻碍了其在云端和流式服务中的部署。一些最新的渐进式压缩技术依赖于渐进式掩码和标量量化技术来减少高斯属性的比特率，同时使用空间上下文模型。虽然有效，但标量量化可能无法最佳地捕捉高维特征向量的相关性，potentially 限制了率失真性能。在本工作中，我们引入了一种用于 3D 高斯溶解的新型渐进式编解码器，将传统方法替换为更强大的残差向量量化方法以压缩原始特征。我们的关键贡献是基于多分辨率哈希网格引导的自回归熵模型，准确预测每个后续传输索引的条件概率，使粗糙层和细化层能够高效压缩。
引用
@article{arxiv.2601.04348,
title = {SCAR-GS: Spatial Context Attention for Residuals in Progressive Gaussian Splatting},
author = {Diego Revilla and Pooja Suresh and Anand Bhojan and Ooi Wei Tsang},
journal= {arXiv preprint arXiv:2601.04348},
year = {2026}
}