TED-4DGS: Temporeel Geactiveerde en Op Inbedding Gebaseerde Vervorming voor 4DGS-compressie

TED-4DGS: Temporally Activated and Embedding-based Deformation for 4DGS Compression

December 5, 2025

Auteurs: Cheng-Yuan Ho, He-Bi Yang, Jui-Chiu Chiang, Yu-Lun Liu, Wen-Hsiao Peng

cs.AI

Samenvatting

Voortbouwend op het succes van 3D Gaussische Splatting (3DGS) voor de representatie van statische 3D-scènes, heeft de uitbreiding naar dynamische scènes, vaak aangeduid als 4DGS of dynamische 3DGS, toenemende aandacht getrokken. Het ontwerpen van compactere en efficiëntere deformatieschema's, samen met rate-distortion-geoptimaliseerde compressiestrategieën voor dynamische 3DGS-representaties, blijft echter een onderbelicht onderzoeksgebied. Eerdere methodes vertrouwen ofwel op ruimte-tijd 4DGS met overgespecificeerde, kortlevende Gaussische primitieven, ofwel op canonieke 3DGS met een deformatie die expliciete temporele controle mist. Om dit aan te pakken, presenteren wij TED-4DGS, een tijdelijk geactiveerd en embedding-gebaseerd deformatieschema voor rate-distortion-geoptimaliseerde 4DGS-compressie dat de sterke punten van beide families verenigt. TED-4DGS is gebouwd op een sparse, ankergebaseerde 3GDS-representatie. Aan elk canoniek anker worden leerbare temporele activeringsparameters toegekend om de transities van verschijnen en verdwijnen in de tijd te specificeren, terwijl een lichtgewicht temporele embedding per anker een gedeelde deformatiebank raadpleegt om ankerspecifieke deformatie te produceren. Voor rate-distortion-compressie integreren we een hyperprior op basis van een impliciete neurale representatie (INR) om de verdeling van ankerattributen te modelleren, samen met een channel-wise autoregressief model om intra-anker correlaties vast te leggen. Met deze nieuwe elementen bereikt ons schema state-of-the-art rate-distortion-prestaties op verschillende real-world datasets. Voor zover wij weten, vertegenwoordigt dit werk een van de eerste pogingen om een rate-distortion-geoptimaliseerd compressieraamwerk voor dynamische 3DGS-representaties na te streven.

English

Building on the success of 3D Gaussian Splatting (3DGS) in static 3D scene representation, its extension to dynamic scenes, commonly referred to as 4DGS or dynamic 3DGS, has attracted increasing attention. However, designing more compact and efficient deformation schemes together with rate-distortion-optimized compression strategies for dynamic 3DGS representations remains an underexplored area. Prior methods either rely on space-time 4DGS with overspecified, short-lived Gaussian primitives or on canonical 3DGS with deformation that lacks explicit temporal control. To address this, we present TED-4DGS, a temporally activated and embedding-based deformation scheme for rate-distortion-optimized 4DGS compression that unifies the strengths of both families. TED-4DGS is built on a sparse anchor-based 3DGS representation. Each canonical anchor is assigned learnable temporal-activation parameters to specify its appearance and disappearance transitions over time, while a lightweight per-anchor temporal embedding queries a shared deformation bank to produce anchor-specific deformation. For rate-distortion compression, we incorporate an implicit neural representation (INR)-based hyperprior to model anchor attribute distributions, along with a channel-wise autoregressive model to capture intra-anchor correlations. With these novel elements, our scheme achieves state-of-the-art rate-distortion performance on several real-world datasets. To the best of our knowledge, this work represents one of the first attempts to pursue a rate-distortion-optimized compression framework for dynamic 3DGS representations.