TED-4DGS: Zeitlich aktivierte und einbettungsbasierte Verformung zur 4DGS-Kompression

TED-4DGS: Temporally Activated and Embedding-based Deformation for 4DGS Compression

December 5, 2025

papers.authors: Cheng-Yuan Ho, He-Bi Yang, Jui-Chiu Chiang, Yu-Lun Liu, Wen-Hsiao Peng

cs.AI

papers.abstract

Aufbauend auf dem Erfolg von 3D Gaussian Splatting (3DGS) bei der Darstellung statischer 3D-Szenen hat seine Erweiterung auf dynamische Szenen, häufig als 4DGS oder dynamisches 3DGS bezeichnet, zunehmend Aufmerksamkeit erregt. Die Entwicklung kompakterer und effizienterer Deformationsverfahren zusammen mit ratenverzerrungsoptimierten Kompressionsstrategien für dynamische 3DGS-Repräsentationen ist jedoch nach wie vor ein wenig erforschtes Gebiet. Bisherige Methoden stützen sich entweder auf raumzeitliche 4DGS-Ansätze mit überbestimmten, kurzlebigen Gauß-Primitiven oder auf kanonische 3DGS-Ansätze mit Deformationen, denen eine explizite zeitliche Steuerung fehlt. Um dieses Problem zu adressieren, stellen wir TED-4DGS vor, ein zeitlich aktiviertes und einbettungsbasiertes Deformationsschema für die ratenverzerrungsoptimierte 4DGS-Kompression, das die Stärken beider Familien vereint. TED-4DGS basiert auf einer sparsamen, ankerbasierten 3DGS-Repräsentation. Jedem kanonischen Anker werden lernbare zeitliche Aktivierungsparameter zugewiesen, um seine Erscheinungs- und Verschwindensübergänge über die Zeit zu spezifizieren, während eine leichtgewichtige, ankerspezifische zeitliche Einbettung eine gemeinsame Deformationsbank abfragt, um ankerspezifische Deformationen zu erzeugen. Für die Ratenverzerrungskompression integrieren wir ein auf impliziter neuronaler Repräsentation (INR) basierendes Hyperprior zur Modellierung der Ankerattributverteilungen, zusammen mit einem kanalweisen autoregressiven Modell zur Erfassung intra-Anker-Korrelationen. Mit diesen neuartigen Elementen erzielt unser Schema state-of-the-art Ratenverzerrungsleistung auf mehreren realen Datensätzen. Nach unserem Wissen stellt diese Arbeit einen der ersten Versuche dar, einen ratenverzerrungsoptimierten Kompressionsrahmen für dynamische 3DGS-Repräsentationen zu verfolgen.

English

Building on the success of 3D Gaussian Splatting (3DGS) in static 3D scene representation, its extension to dynamic scenes, commonly referred to as 4DGS or dynamic 3DGS, has attracted increasing attention. However, designing more compact and efficient deformation schemes together with rate-distortion-optimized compression strategies for dynamic 3DGS representations remains an underexplored area. Prior methods either rely on space-time 4DGS with overspecified, short-lived Gaussian primitives or on canonical 3DGS with deformation that lacks explicit temporal control. To address this, we present TED-4DGS, a temporally activated and embedding-based deformation scheme for rate-distortion-optimized 4DGS compression that unifies the strengths of both families. TED-4DGS is built on a sparse anchor-based 3DGS representation. Each canonical anchor is assigned learnable temporal-activation parameters to specify its appearance and disappearance transitions over time, while a lightweight per-anchor temporal embedding queries a shared deformation bank to produce anchor-specific deformation. For rate-distortion compression, we incorporate an implicit neural representation (INR)-based hyperprior to model anchor attribute distributions, along with a channel-wise autoregressive model to capture intra-anchor correlations. With these novel elements, our scheme achieves state-of-the-art rate-distortion performance on several real-world datasets. To the best of our knowledge, this work represents one of the first attempts to pursue a rate-distortion-optimized compression framework for dynamic 3DGS representations.