CompGS: Effiziente 3D Szenedarstellung durch komprimiertes Gauss'sches Splatting.

CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting

April 15, 2024

Autoren: Xiangrui Liu, Xinju Wu, Pingping Zhang, Shiqi Wang, Zhu Li, Sam Kwong

cs.AI

Zusammenfassung

Gaussian Splatting, bekannt für seine außergewöhnliche Rendering-Qualität und Effizienz, hat sich als eine prominente Technik in der 3D-Szenendarstellung etabliert. Allerdings behindert das beträchtliche Datenvolumen von Gaussian Splatting seine praktische Anwendbarkeit in realen Anwendungen. Hier schlagen wir eine effiziente 3D-Szenendarstellung namens Komprimiertes Gaussian Splatting (CompGS) vor, das kompakte Gaußsche Primitive nutzt, um eine treue 3D-Szenenmodellierung mit einer bemerkenswert reduzierten Datengröße zu ermöglichen. Um die Kompaktheit der Gaußschen Primitive sicherzustellen, entwickeln wir eine hybride Primitive-Struktur, die vorhersagbare Beziehungen zwischen ihnen erfasst. Anschließend nutzen wir eine kleine Anzahl von Anker-Primitiven für die Vorhersage, wodurch der Großteil der Primitive in hochkompakte Restformen eingebettet werden kann. Darüber hinaus entwickeln wir ein rate-beschränktes Optimierungsschema, um Redundanzen innerhalb solcher hybrider Primitive zu eliminieren und unser CompGS auf einen optimalen Kompromiss zwischen Bitratenverbrauch und Repräsentationseffizienz auszurichten. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene CompGS bestehende Methoden signifikant übertrifft, eine überlegene Kompaktheit in der 3D-Szenendarstellung erreicht, ohne die Modellgenauigkeit und Rendering-Qualität zu beeinträchtigen. Unser Code wird auf GitHub für weitere Forschungszwecke veröffentlicht.

English

Gaussian splatting, renowned for its exceptional rendering quality and efficiency, has emerged as a prominent technique in 3D scene representation. However, the substantial data volume of Gaussian splatting impedes its practical utility in real-world applications. Herein, we propose an efficient 3D scene representation, named Compressed Gaussian Splatting (CompGS), which harnesses compact Gaussian primitives for faithful 3D scene modeling with a remarkably reduced data size. To ensure the compactness of Gaussian primitives, we devise a hybrid primitive structure that captures predictive relationships between each other. Then, we exploit a small set of anchor primitives for prediction, allowing the majority of primitives to be encapsulated into highly compact residual forms. Moreover, we develop a rate-constrained optimization scheme to eliminate redundancies within such hybrid primitives, steering our CompGS towards an optimal trade-off between bitrate consumption and representation efficacy. Experimental results show that the proposed CompGS significantly outperforms existing methods, achieving superior compactness in 3D scene representation without compromising model accuracy and rendering quality. Our code will be released on GitHub for further research.