SUCCESS-GS: Untersuchung der Kompaktheit und Komprimierung für effizientes statisches und dynamisches Gaussian Splatting
SUCCESS-GS: Survey of Compactness and Compression for Efficient Static and Dynamic Gaussian Splatting
December 8, 2025
papers.authors: Seokhyun Youn, Soohyun Lee, Geonho Kim, Weeyoung Kwon, Sung-Ho Bae, Jihyong Oh
cs.AI
papers.abstract
3D Gaussian Splatting (3DGS) hat sich als leistungsstarke explizite Repräsentation etabliert, die Echtzeit-3D-Rekonstruktion und die Synthese neuartiger Ansichten mit hoher Wiedergabetreue ermöglicht. Seine praktische Anwendung wird jedoch durch den enormen Speicher- und Rechenbedarf behindert, der zur Speicherung und Darstellung von Millionen von Gaußfunktionen erforderlich ist. Diese Herausforderungen verschärfen sich in 4D-dynamischen Szenen noch weiter. Um diese Probleme zu adressieren, hat sich das Feld des Efficient Gaussian Splatting rasch weiterentwickelt und Methoden vorgeschlagen, die Redundanzen reduzieren und gleichzeitig die Rekonstruktionsqualität bewahren. Dieser Übersichtsartikel bietet erstmals einen vereinheitlichten Überblick über effiziente 3D- und 4D-Gaussian-Splatting-Techniken. Für sowohl 3D- als auch 4D-Szenarien kategorisieren wir bestehende Methoden systematisch in zwei Hauptrichtungen – Parameterkompression und Restrukturierungskompression – und fassen die Kernideen und methodischen Trends innerhalb jeder Kategorie umfassend zusammen. Des Weiteren behandeln wir weit verbreitete Datensätze, Evaluierungsmetriken und repräsentative Benchmark-Vergleiche. Abschließend diskutieren wir aktuelle Limitationen und skizzieren vielversprechende Forschungsrichtungen für skalierbares, kompaktes und echzeitfähiges Gaussian Splatting zur Repräsentation statischer und dynamischer 3D-Szenen.
English
3D Gaussian Splatting (3DGS) has emerged as a powerful explicit representation enabling real-time, high-fidelity 3D reconstruction and novel view synthesis. However, its practical use is hindered by the massive memory and computational demands required to store and render millions of Gaussians. These challenges become even more severe in 4D dynamic scenes. To address these issues, the field of Efficient Gaussian Splatting has rapidly evolved, proposing methods that reduce redundancy while preserving reconstruction quality. This survey provides the first unified overview of efficient 3D and 4D Gaussian Splatting techniques. For both 3D and 4D settings, we systematically categorize existing methods into two major directions, Parameter Compression and Restructuring Compression, and comprehensively summarize the core ideas and methodological trends within each category. We further cover widely used datasets, evaluation metrics, and representative benchmark comparisons. Finally, we discuss current limitations and outline promising research directions toward scalable, compact, and real-time Gaussian Splatting for both static and dynamic 3D scene representation.