Geoptimaliseerde Minimale 4D Gaussische Splatting

Samenvatting

4D Gaussian Splatting is naar voren gekomen als een nieuw paradigma voor de representatie van dynamische scènes, waardoor real-time rendering van scènes met complexe bewegingen mogelijk wordt. Het staat echter voor een grote uitdaging op het gebied van opslagoverhead, aangezien miljoenen Gaussians nodig zijn voor hoogwaardige reconstructie. Hoewel verschillende studies hebben geprobeerd deze geheugenlast te verlichten, blijven ze beperkingen ondervinden in compressieverhouding of visuele kwaliteit. In dit werk presenteren we OMG4 (Optimized Minimal 4D Gaussian Splatting), een raamwerk dat een compacte set van belangrijke Gaussians construeert die in staat zijn om 4D Gaussian-modellen nauwkeurig te representeren. Onze methode snoeit Gaussians progressief in drie fasen: (1) Gaussian Sampling om primitieven te identificeren die cruciaal zijn voor de reconstructiekwaliteit, (2) Gaussian Pruning om redundantie te verwijderen, en (3) Gaussian Merging om primitieven met vergelijkbare kenmerken samen te voegen. Daarnaast integreren we impliciete uiterlijkcompressie en generaliseren we Sub-Vector Quantization (SVQ) naar 4D-representaties, waardoor de opslag verder wordt verminderd terwijl de kwaliteit behouden blijft. Uitgebreide experimenten op standaard benchmark-datasets tonen aan dat OMG4 recente state-of-the-art methoden aanzienlijk overtreft, waarbij de modelgroottes met meer dan 60% worden verkleind terwijl de reconstructiekwaliteit behouden blijft. Deze resultaten positioneren OMG4 als een belangrijke stap voorwaarts in compacte 4D-scènerepresentatie, wat nieuwe mogelijkheden opent voor een breed scala aan toepassingen. Onze broncode is beschikbaar op https://minshirley.github.io/OMG4/.

English

4D Gaussian Splatting has emerged as a new paradigm for dynamic scene representation, enabling real-time rendering of scenes with complex motions. However, it faces a major challenge of storage overhead, as millions of Gaussians are required for high-fidelity reconstruction. While several studies have attempted to alleviate this memory burden, they still face limitations in compression ratio or visual quality. In this work, we present OMG4 (Optimized Minimal 4D Gaussian Splatting), a framework that constructs a compact set of salient Gaussians capable of faithfully representing 4D Gaussian models. Our method progressively prunes Gaussians in three stages: (1) Gaussian Sampling to identify primitives critical to reconstruction fidelity, (2) Gaussian Pruning to remove redundancies, and (3) Gaussian Merging to fuse primitives with similar characteristics. In addition, we integrate implicit appearance compression and generalize Sub-Vector Quantization (SVQ) to 4D representations, further reducing storage while preserving quality. Extensive experiments on standard benchmark datasets demonstrate that OMG4 significantly outperforms recent state-of-the-art methods, reducing model sizes by over 60% while maintaining reconstruction quality. These results position OMG4 as a significant step forward in compact 4D scene representation, opening new possibilities for a wide range of applications. Our source code is available at https://minshirley.github.io/OMG4/.