TED-4DGS: 時間的活性化および埋め込みベースの変形に基づく4DGS圧縮

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

December 5, 2025

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

cs.AI

要旨

静的3Dシーン表現における3D Gaussian Splatting (3DGS) の成功を基盤として、4DGSまたは動的3DGSとも呼ばれる動的シーンへの拡張が注目を集めている。しかし、動的3DGS表現に対して、よりコンパクトで効率的な変形手法と、レート歪み最適化された圧縮戦略を同時に設計することは、未だ十分に研究されていない領域である。既存手法は、過剰に特定された短命なガウシアン基本要素に依存する時空間4DGS、あるいは明示的時間制御を欠く変形を伴う正準3DGSのいずれかに依存している。この問題に対処するため、本論文ではTED-4DGSを提案する。これは、両手法群の長所を統合した、レート歪み最適化4DGS圧縮のための時間活性化・埋め込みベースの変形手法である。TED-4DGSは、疎なアンカーベースの3DGS表現に基づいて構築される。各正準アンカーには学習可能な時間活性化パラメータが割り当てられ、時間経過に伴う出現と消失の遷移を指定する。一方、軽量なアンカー毎の時間埋め込みは、共有された変形バンクに照会してアンカー特有の変形を生成する。レート歪み圧縮においては、アンカー属性の分布をモデル化するために暗黙的ニューラル表現(INR)ベースのハイパープライアを、また、アンカー内相関を捕捉するためにチャネル単位の自己回帰モデルを組み込む。これらの新規要素により、本手法は複数の実世界データセットにおいて、最先端のレート歪み性能を達成する。知る限り、本研究は動的3DGS表現に対するレート歪み最適化圧縮フレームワークを追求した最初期の試みの一つである。

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.