최적화된 최소 3D 가우시안 스플래팅

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

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

cs.AI

초록

3D 가우시안 스플래팅(3DGS)은 실시간 고성능 렌더링을 위한 강력한 표현 방식으로 등장하며 다양한 응용 분야에서 활용되고 있습니다. 그러나 수많은 명시적 가우시안 프리미티브로 3D 장면을 표현하는 것은 상당한 저장 공간과 메모리 오버헤드를 초래합니다. 최근 연구에 따르면, 고정밀 속성으로 표현할 경우 훨씬 적은 수의 가우시안으로도 고품질 렌더링이 가능하다는 것이 밝혀졌습니다. 그럼에도 불구하고, 기존의 3DGS 압축 방법들은 여전히 상대적으로 많은 수의 가우시안에 의존하며 주로 속성 압축에 초점을 맞추고 있습니다. 이는 더 적은 수의 가우시안 집합이 손실 압축에 점점 더 민감해져 심각한 품질 저하를 초래하기 때문입니다. 가우시안의 수는 계산 비용과 직접적으로 연관되어 있으므로, 저장 공간만 최적화하는 것이 아니라 가우시안의 수를 효과적으로 줄이는 것이 필수적입니다. 본 논문에서는 최소한의 프리미티브를 사용하면서도 저장 공간을 크게 줄이는 최적화된 최소 가우시안 표현(OMG)을 제안합니다. 먼저, 중복성을 최소화하면서도 품질을 희생하지 않도록 근접한 가우시안들 중에서 독특한 가우시안을 결정합니다. 둘째, 프리미티브 간의 연속성과 불규칙성을 효율적으로 포착하는 간결하고 정밀한 속성 표현을 제안합니다. 또한, 빠른 학습을 유지하면서도 코드북 크기를 무시할 수 있을 정도로 작게 유지하는 서브-벡터 양자화 기법을 제안하여 불규칙성 표현을 개선합니다. 광범위한 실험을 통해 OMG가 이전의 최신 기술 대비 저장 공간 요구량을 거의 50% 줄이고, 고품질 렌더링을 유지하면서도 600 FPS 이상의 렌더링을 가능하게 한다는 것을 입증했습니다. 소스 코드는 https://maincold2.github.io/omg/에서 확인할 수 있습니다.

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/.