SGI：结构化二维高斯用于高效紧凑的大图像表示
计算机视觉与模式识别
2026-03-12 v2
摘要
二维高斯溶解（2D Gaussian Splatting）已然成为一种新兴的图像表示技术，可在低端设备上实现高效渲染。然而，扩展到高分辨率图像需要独立优化和存储数百万个非结构化高斯原始数据，导致收敛缓慢和参数冗余。为此，我们提出了结构化高斯图像（Structured Gaussian Image，SGI），是一个用于表示高分辨率图像的紧凑且高效的框架。SGI将复杂图像分解为由一组种子定义的多尺度局部空间。每个种子对应一个空间连贯区域，随后通过轻量级多层感知器（MLP）生成结构化的隐式二维神经高斯。这种基于种子的表述对非结构化高斯原始数据施加了结构规则性，从而促进了基于熵的压缩以减少总存储量。然而，在高分辨率图像上直接优化种子参数是一个具有挑战性且非平凡的任务。因此，我们设计了一种多尺度拟合策略，以粗到细的方式细化种子表示，显著加快了收敛速度。定量和定性评估表明，SGI相对于先前的非量化二维高斯方法实现了最高7.5倍的压缩率，相对于量化方法实现了1.6倍的压缩率，同时也实现了1.6倍和6.5倍的更快优化，且不会降低，甚至常常提高图像保真度。代码已公开于https://github.com/zx-pan/SGI。
引用
@article{arxiv.2603.07789,
title = {SGI: Structured 2D Gaussians for Efficient and Compact Large Image Representation},
author = {Zixuan Pan and Kaiyuan Tang and Jun Xia and Yifan Qin and Lin Gu and Chaoli Wang and Jianxu Chen and Yiyu Shi},
journal= {arXiv preprint arXiv:2603.07789},
year = {2026}
}
备注
Accepted by CVPR 2026