Optimización Mínima de Proyección Gaussiana 3D

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

Autores: Joo Chan Lee, Jong Hwan Ko, Eunbyung Park

cs.AI

Resumen

El Splatting Gaussiano 3D (3DGS) ha surgido como una representación poderosa para la renderización en tiempo real de alto rendimiento, permitiendo una amplia gama de aplicaciones. Sin embargo, representar escenas 3D con numerosas primitivas Gaussianas explícitas impone una sobrecarga significativa de almacenamiento y memoria. Estudios recientes han demostrado que se puede lograr una renderización de alta calidad con un número sustancialmente reducido de Gaussianas cuando se representan con atributos de alta precisión. No obstante, los métodos de compresión de 3DGS existentes aún dependen de un número relativamente grande de Gaussianas, centrándose principalmente en la compresión de atributos. Esto se debe a que un conjunto más pequeño de Gaussianas se vuelve cada vez más sensible a la compresión de atributos con pérdida, lo que lleva a una degradación severa de la calidad. Dado que el número de Gaussianas está directamente relacionado con los costos computacionales, es esencial reducir efectivamente el número de Gaussianas en lugar de solo optimizar el almacenamiento. En este artículo, proponemos la representación de Gaussianas Mínimas Optimizadas (OMG), que reduce significativamente el almacenamiento utilizando un número mínimo de primitivas. Primero, determinamos la Gaussiana distinta de las cercanas, minimizando la redundancia sin sacrificar la calidad. Segundo, proponemos una representación de atributos compacta y precisa que captura eficientemente tanto la continuidad como la irregularidad entre las primitivas. Además, proponemos una técnica de cuantización de subvectores para mejorar la representación de la irregularidad, manteniendo un entrenamiento rápido con un tamaño de libro de códigos insignificante. Experimentos extensos demuestran que OMG reduce los requisitos de almacenamiento en casi un 50% en comparación con el estado del arte anterior y permite una renderización de más de 600 FPS mientras mantiene una alta calidad de renderización. Nuestro código fuente está disponible en https://maincold2.github.io/omg/.

English

3D Gaussian Splatting (3DGS) has emerged as a powerful representation for real-time, high-performance rendering, enabling a wide range of applications. However, representing 3D scenes with numerous explicit Gaussian primitives imposes significant storage and memory overhead. Recent studies have shown that high-quality rendering can be achieved with a substantially reduced number of Gaussians when represented with high-precision attributes. Nevertheless, existing 3DGS compression methods still rely on a relatively large number of Gaussians, focusing primarily on attribute compression. This is because a smaller set of Gaussians becomes increasingly sensitive to lossy attribute compression, leading to severe quality degradation. Since the number of Gaussians is directly tied to computational costs, it is essential to reduce the number of Gaussians effectively rather than only optimizing storage. In this paper, we propose Optimized Minimal Gaussians representation (OMG), which significantly reduces storage while using a minimal number of primitives. First, we determine the distinct Gaussian from the near ones, minimizing redundancy without sacrificing quality. Second, we propose a compact and precise attribute representation that efficiently captures both continuity and irregularity among primitives. Additionally, we propose a sub-vector quantization technique for improved irregularity representation, maintaining fast training with a negligible codebook size. Extensive experiments demonstrate that OMG reduces storage requirements by nearly 50% compared to the previous state-of-the-art and enables 600+ FPS rendering while maintaining high rendering quality. Our source code is available at https://maincold2.github.io/omg/.