SUCCESS-GS : Étude de la Compacité et de la Compression pour un Placage de Gauss Statique et Dynamique Efficace
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
La splatting par gaussiennes 3D (3DGS) est apparue comme une représentation explicite puissante permettant une reconstruction 3D en temps réel et haute fidélité ainsi que la synthèse de nouvelles vues. Cependant, son utilisation pratique est entravée par les énormes besoins en mémoire et en calcul requis pour stocker et rendre des millions de gaussiennes. Ces défis deviennent encore plus sévères dans les scènes dynamiques 4D. Pour résoudre ces problèmes, le domaine de l'Efficient Gaussian Splatting a rapidement évolué, proposant des méthodes qui réduisent la redondance tout en préservant la qualité de la reconstruction. Cette étude fournit la première vue d'ensemble unifiée des techniques efficaces de splatting par gaussiennes 3D et 4D. Pour les contextes 3D et 4D, nous catégorisons systématiquement les méthodes existantes en deux grandes orientations, la Compression des Paramètres et la Compression par Restructuration, et résumons de manière exhaustive les idées centrales et les tendances méthodologiques au sein de chaque catégorie. Nous couvrons en outre les jeux de données largement utilisés, les métriques d'évaluation et les comparaisons représentatives de benchmarks. Enfin, nous discutons des limitations actuelles et esquissons des directions de recherche prometteuses pour une splatting par gaussiennes évolutive, compacte et en temps réel, destinée à la représentation de scènes 3D statiques et dynamiques.
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.