CompGS: Efficiënte 3D-scèneweergave via gecomprimeerde Gaussische splatting

CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting

April 15, 2024

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

cs.AI

Samenvatting

Gaussian splatting, bekend om zijn uitzonderlijke renderkwaliteit en efficiëntie, is naar voren gekomen als een prominente techniek voor 3D-scèneweergave. Het aanzienlijke datavolume van Gaussian splatting belemmert echter het praktische nut ervan in real-world toepassingen. Hier stellen we een efficiënte 3D-scèneweergave voor, genaamd Compressed Gaussian Splatting (CompGS), die compacte Gaussian-primitieven benut voor nauwkeurige 3D-scènemodellering met een aanzienlijk gereduceerde datagrootte. Om de compactheid van Gaussian-primitieven te waarborgen, ontwerpen we een hybride primitiefstructuur die voorspellende relaties tussen elkaar vastlegt. Vervolgens gebruiken we een kleine set ankerprimitieven voor voorspelling, waardoor de meerderheid van de primitieven kan worden ingekapseld in zeer compacte restvormen. Bovendien ontwikkelen we een snelheidsbeperkt optimalisatieschema om redundantie binnen dergelijke hybride primitieven te elimineren, wat onze CompGS naar een optimale balans tussen bitrateverbruik en weergave-effectiviteit stuurt. Experimentele resultaten tonen aan dat de voorgestelde CompGS bestaande methoden aanzienlijk overtreft, met superieure compactheid in 3D-scèneweergave zonder in te leveren op modelnauwkeurigheid en renderkwaliteit. Onze code zal worden vrijgegeven op GitHub voor verder onderzoek.

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.