TED-4DGS : Déformation basée sur l'activation temporelle et l'incorporation pour la compression 4DGS

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

Forts du succès de la splatting par gaussiennes 3D (3DGS) pour la représentation de scènes 3D statiques, son extension aux scènes dynamiques, souvent appelée 4DGS ou 3DGS dynamique, a suscité un intérêt croissant. Cependant, la conception de schémas de déformation plus compacts et efficaces, associée à des stratégies de compression optimisées en débit-distorsion pour les représentations 3DGS dynamiques, reste un domaine peu exploré. Les méthodes antérieures reposent soit sur une approche 4DGS spatio-temporelle utilisant des primitives gaussiennes surspécifiées et à courte durée de vie, soit sur un modèle 3DGS canonique avec une déformation manquant de contrôle temporel explicite. Pour résoudre ce problème, nous présentons TED-4DGS, un schéma de déformation basé sur des embeddings et activé temporellement pour une compression 4DGS optimisée en débit-distorsion, qui unifie les forces des deux approches. TED-4DGS est construit sur une représentation 3DGS creuse basée sur des points d'ancrage. Chaque point d'ancrage canonique se voit attribuer des paramètres d'activation temporelle apprenables pour spécifier ses transitions d'apparition et de disparition dans le temps, tandis qu'un embedding temporel léger par point d'ancrage interroge une banque de déformation partagée pour produire une déformation spécifique à chaque ancrage. Pour la compression débit-distorsion, nous intégrons un hyperprior basé sur une représentation neuronale implicite (RNI) pour modéliser les distributions des attributs des points d'ancrage, ainsi qu'un modèle autorégressif canal par canal pour capturer les corrélations intra-ancrage. Grâce à ces nouveaux éléments, notre schéma atteint des performances débit-distorsion de pointe sur plusieurs jeux de données du monde réel. À notre connaissance, ce travail représente l'une des premières tentatives de mise en œuvre d'un cadre de compression optimisé en débit-distorsion pour les représentations 3DGS dynamiques.

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.