修剪赘肉：通过剪枝压缩3D高斯溅

近期，3D模型的利用正在受到关注，由于最初由神经辐射场（Neural Radiance Fields）提供的端到端训练能力，以及更近期由3D高斯溅（3DGS）模型所提供的广泛可编辑性。后者在训练中天然地缓解了快速收敛的优势。然而，尽管取得了快速进展，但文献仍然不成熟，关于这些模型的可扩展性仍处于早期阶段。本研究我们采取一些初始步骤来解决这一差距，展示了一种既能实现此类模型内存和计算可扩展性，又能发挥作用的ethods。具体而言，我们提出了“修剪赘肉”，这是一种后处理的、基于梯度信息的迭代剪枝技术，用于消除模型中冗余的信息。我们的实验发现，在广为人知的基准测试中，我们的方法有效果，显示最高可删除75%的高斯同时保持甚至改进于基线性能。我们的做法实现了约50倍的压缩，同时保留类似于基线模型的性能，并能够将计算速度提高到600 FPS。