CompGS: 압축 가우시안 스플래팅을 통한 효율적인 3D 장면 표현

CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting

April 15, 2024

저자: Xiangrui Liu, Xinju Wu, Pingping Zhang, Shiqi Wang, Zhu Li, Sam Kwong

cs.AI

초록

뛰어난 렌더링 품질과 효율성으로 유명한 가우시안 스플래팅(Gaussian splatting)은 3D 장면 표현 분야에서 중요한 기술로 부상했습니다. 그러나 가우시안 스플래팅의 방대한 데이터 양은 실제 응용에서의 실용성을 저해하는 요인으로 작용합니다. 본 논문에서는 이러한 문제를 해결하기 위해 데이터 크기를 획기적으로 줄이면서도 충실한 3D 장면 모델링을 가능하게 하는 Compressed Gaussian Splatting(CompGS)이라는 효율적인 3D 장면 표현 기법을 제안합니다. 가우시안 프리미티브의 간결성을 보장하기 위해, 우리는 서로 간의 예측 관계를 포착하는 하이브리드 프리미티브 구조를 설계했습니다. 이를 통해 소수의 앵커 프리미티브를 예측에 활용함으로써 대부분의 프리미티브를 고도로 압축된 잔차 형태로 캡슐화할 수 있습니다. 또한, 우리는 이러한 하이브리드 프리미티브 내의 중복성을 제거하기 위해 비트레이트 제약 최적화 기법을 개발하여, CompGS가 비트레이트 소비와 표현 효율성 사이의 최적 균형을 달성하도록 유도했습니다. 실험 결과는 제안된 CompGS가 기존 방법들을 크게 능가하며, 모델 정확도와 렌더링 품질을 저하시키지 않으면서도 3D 장면 표현에서 우수한 간결성을 달성함을 보여줍니다. 본 연구의 코드는 GitHub에 공개되어 추가 연구에 활용될 수 있도록 할 예정입니다.

English

Gaussian splatting, renowned for its exceptional rendering quality and efficiency, has emerged as a prominent technique in 3D scene representation. However, the substantial data volume of Gaussian splatting impedes its practical utility in real-world applications. Herein, we propose an efficient 3D scene representation, named Compressed Gaussian Splatting (CompGS), which harnesses compact Gaussian primitives for faithful 3D scene modeling with a remarkably reduced data size. To ensure the compactness of Gaussian primitives, we devise a hybrid primitive structure that captures predictive relationships between each other. Then, we exploit a small set of anchor primitives for prediction, allowing the majority of primitives to be encapsulated into highly compact residual forms. Moreover, we develop a rate-constrained optimization scheme to eliminate redundancies within such hybrid primitives, steering our CompGS towards an optimal trade-off between bitrate consumption and representation efficacy. Experimental results show that the proposed CompGS significantly outperforms existing methods, achieving superior compactness in 3D scene representation without compromising model accuracy and rendering quality. Our code will be released on GitHub for further research.