TED-4DGS: Deformación Basada en Activación Temporal e Incrustaciones para la Compresión de 4DGS

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

December 5, 2025

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

cs.AI

Resumen

Basándose en el éxito de la representación de escenas 3D estáticas mediante Gaussian Splatting 3D (3DGS), su extensión a escenas dinámicas, comúnmente denominada 4DGS o 3DGS dinámico, ha atraído una atención creciente. Sin embargo, el diseño de esquemas de deformación más compactos y eficientes, junto con estrategias de compresión optimizadas por tasa-distorsión para representaciones dinámicas de 3DGS, sigue siendo un área poco explorada. Los métodos anteriores se basan en 4DGS espacio-temporales con primitivas gaussianas sobrespecificadas y de corta duración, o en 3DGS canónicos con deformación que carece de control temporal explícito. Para abordar esto, presentamos TED-4DGS, un esquema de deformación basado en incrustaciones y activación temporal para la compresión de 4DGS optimizada por tasa-distorsión que unifica las fortalezas de ambas familias. TED-4DGS se construye sobre una representación 3DGS canónica basada en anclajes dispersos. A cada anclaje canónico se le asignan parámetros de activación temporal entrenables para especificar sus transiciones de aparición y desaparición a lo largo del tiempo, mientras que una ligera incrustación temporal por anclaje consulta un banco de deformación compartido para producir una deformación específica del anclaje. Para la compresión tasa-distorsión, incorporamos un hiperprior basado en representación neuronal implícita (INR) para modelar las distribuciones de atributos de los anclajes, junto con un modelo autorregresivo por canales para capturar las correlaciones intra-anclaje. Con estos elementos novedosos, nuestro esquema logra un rendimiento estado del arte en tasa-distorsión en varios conjuntos de datos del mundo real. Hasta donde sabemos, este trabajo representa uno de los primeros intentos de desarrollar un marco de compresión optimizado por tasa-distorsión para representaciones dinámicas de 3DGS.

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.