TED-4DGS: Deformazione Basata su Attivazione Temporale e Incorporamento per la Compressione di 4DGS

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

December 5, 2025

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

cs.AI

Abstract

Basandosi sul successo dello Splatting Gaussiano 3D (3DGS) nella rappresentazione di scene 3D statiche, la sua estensione a scene dinamiche, comunemente indicata come 4DGS o 3DGS dinamico, ha attirato un'attenzione crescente. Tuttavia, la progettazione di schemi di deformazione più compatti ed efficienti, unitamente a strategie di compressione ottimizzate per il rateo-distorsione per le rappresentazioni 3DGS dinamiche, rimane un'area poco esplorata. I metodi precedenti si basano su 4DGS spazio-temporale con primitive gaussiane sovraspecificate e di breve durata, oppure su 3DGS canonico con deformazione che manca di un controllo temporale esplicito. Per affrontare questo problema, presentiamo TED-4DGS, uno schema di deformazione basato su attivazione temporale ed embedding per la compressione 4DGS ottimizzata per il rateo-distorsione, che unisce i punti di forza di entrambe le famiglie. TED-4DGS è costruito su una rappresentazione 3DGS sparsa basata su ancore. A ciascuna ancora canonica vengono assegnati parametri di attivazione temporale apprendibili per specificare le sue transizioni di apparizione e scomparsa nel tempo, mentre un embedding temporale leggero per ancora interroga un banco di deformazione condiviso per produrre una deformazione specifica per ancora. Per la compressione rateo-distorsione, incorporiamo un iperpriore basato sulla rappresentazione neurale implicita (INR) per modellare le distribuzioni degli attributi delle ancore, insieme a un modello autoregressivo per canale per catturare le correlazioni intra-ancora. Con questi elementi innovativi, il nostro schema raggiunge prestazioni state-of-the-art in termini di rateo-distorsione su diversi dataset del mondo reale. Per quanto a nostra conoscenza, questo lavoro rappresenta uno dei primi tentativi di perseguire un framework di compressione ottimizzato per il rateo-distorsione per rappresentazioni 3DGS dinamiche.

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.