Geoptimaliseerd Minimaal 3D Gaussisch Splatting

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

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

cs.AI

Samenvatting

3D Gaussian Splatting (3DGS) is naar voren gekomen als een krachtige representatie voor real-time, hoogwaardige rendering, wat een breed scala aan toepassingen mogelijk maakt. Het representeren van 3D-scènes met talrijke expliciete Gaussische primitieven brengt echter aanzienlijke opslag- en geheugenoverhead met zich mee. Recente studies hebben aangetoond dat hoogwaardige rendering kan worden bereikt met een aanzienlijk verminderd aantal Gaussische primitieven wanneer deze worden weergegeven met attributen van hoge precisie. Desalniettemin vertrouwen bestaande 3DGS-compressiemethoden nog steeds op een relatief groot aantal Gaussische primitieven, waarbij voornamelijk wordt gefocust op attribuutcompressie. Dit komt doordat een kleinere set Gaussische primitieven steeds gevoeliger wordt voor lossy attribuutcompressie, wat leidt tot ernstige kwaliteitsvermindering. Aangezien het aantal Gaussische primitieven direct gerelateerd is aan de rekenkosten, is het essentieel om het aantal Gaussische primitieven effectief te verminderen in plaats van alleen de opslag te optimaliseren. In dit artikel stellen we de Optimized Minimal Gaussians-representatie (OMG) voor, die de opslag aanzienlijk vermindert terwijl een minimaal aantal primitieven wordt gebruikt. Ten eerste bepalen we de onderscheidende Gaussische primitieven uit de nabijgelegen, waardoor redundantie wordt geminimaliseerd zonder kwaliteit op te offeren. Ten tweede stellen we een compacte en precieze attribuutrepresentatie voor die zowel continuïteit als onregelmatigheid tussen primitieven efficiënt vastlegt. Daarnaast introduceren we een sub-vector kwantisatietechniek voor een verbeterde weergave van onregelmatigheid, waarbij snelle training wordt behouden met een verwaarloosbare codebookgrootte. Uitgebreide experimenten tonen aan dat OMG de opslagbehoefte met bijna 50% vermindert in vergelijking met de vorige state-of-the-art en rendering met meer dan 600 FPS mogelijk maakt terwijl een hoge renderkwaliteit behouden blijft. Onze broncode is beschikbaar op https://maincold2.github.io/omg/.

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/.