最適化された最小3Dガウススプラッティング

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

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

cs.AI

要旨

3Dガウシアンスプラッティング（3DGS）は、リアルタイムで高性能なレンダリングを可能にする強力な表現として登場し、幅広い応用が可能となっています。しかし、多数の明示的なガウシアンプリミティブで3Dシーンを表現することは、大きなストレージとメモリのオーバーヘッドを伴います。最近の研究では、高精度の属性で表現することで、大幅に削減された数のガウシアンでも高品質なレンダリングが達成できることが示されています。それにもかかわらず、既存の3DGS圧縮手法は依然として比較的多数のガウシアンに依存しており、主に属性の圧縮に焦点を当てています。これは、少数のガウシアンでは、非可逆属性圧縮に対して非常に敏感になり、品質の大幅な低下を引き起こすためです。ガウシアンの数は計算コストに直接関連するため、ストレージの最適化だけでなく、ガウシアンの数を効果的に削減することが重要です。本論文では、最小限のプリミティブを使用しながらストレージを大幅に削減する最適化最小ガウシアン表現（OMG）を提案します。まず、近接するガウシアンから異なるガウシアンを特定し、品質を犠牲にすることなく冗長性を最小化します。次に、プリミティブ間の連続性と不規則性を効率的に捉えるコンパクトで精密な属性表現を提案します。さらに、不規則性の表現を改善するためのサブベクトル量子化技術を提案し、コードブックサイズを無視できる程度に抑えながら高速な学習を維持します。大規模な実験により、OMGは従来の最先端技術と比較してストレージ要件を約50％削減し、600 FPS以上のレンダリングを可能にしながら高品質なレンダリングを維持することが実証されています。ソースコードはhttps://maincold2.github.io/omg/で公開されています。

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/.