Otimização Mínima de Projeção Gaussiana 3D

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

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

cs.AI

Resumo

O 3D Gaussian Splatting (3DGS) surgiu como uma representação poderosa para renderização em tempo real e de alto desempenho, permitindo uma ampla gama de aplicações. No entanto, representar cenas 3D com numerosos primitivos Gaussianos explícitos impõe um custo significativo de armazenamento e memória. Estudos recentes mostraram que renderizações de alta qualidade podem ser alcançadas com um número substancialmente reduzido de Gaussianos quando representados com atributos de alta precisão. Ainda assim, os métodos de compressão de 3DGS existentes ainda dependem de um número relativamente grande de Gaussianos, focando principalmente na compressão de atributos. Isso ocorre porque um conjunto menor de Gaussianos se torna cada vez mais sensível à compressão de atributos com perdas, levando a uma degradação severa da qualidade. Como o número de Gaussianos está diretamente ligado aos custos computacionais, é essencial reduzir efetivamente o número de Gaussianos, em vez de apenas otimizar o armazenamento. Neste artigo, propomos a representação Optimized Minimal Gaussians (OMG), que reduz significativamente o armazenamento ao utilizar um número mínimo de primitivos. Primeiro, determinamos o Gaussiano distinto dos próximos, minimizando a redundância sem sacrificar a qualidade. Segundo, propomos uma representação de atributos compacta e precisa que captura eficientemente tanto a continuidade quanto a irregularidade entre os primitivos. Além disso, propomos uma técnica de quantização de sub-vetores para melhorar a representação da irregularidade, mantendo um treinamento rápido com um tamanho de codebook insignificante. Experimentos extensivos demonstram que o OMG reduz os requisitos de armazenamento em quase 50% em comparação com o estado da arte anterior e permite renderizações de mais de 600 FPS, mantendo uma alta qualidade de renderização. Nosso código-fonte está disponível em 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/.