Оптимизированное минимальное 3D-размытие по Гауссу

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

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

cs.AI

Аннотация

3D Gaussian Splatting (3DGS) зарекомендовал себя как мощное представление для рендеринга в реальном времени с высокой производительностью, что открывает широкий спектр приложений. Однако представление 3D-сцен с использованием множества явных гауссовых примитивов приводит к значительным затратам на хранение и память. Недавние исследования показали, что высококачественный рендеринг может быть достигнут с существенно меньшим количеством гауссовых функций при использовании атрибутов высокой точности. Тем не менее, существующие методы сжатия 3DGS по-прежнему полагаются на относительно большое количество гауссовых функций, сосредотачиваясь в основном на сжатии атрибутов. Это связано с тем, что меньший набор гауссовых функций становится более чувствительным к сжатию атрибутов с потерями, что приводит к значительному ухудшению качества. Поскольку количество гауссовых функций напрямую связано с вычислительными затратами, важно эффективно сокращать их количество, а не только оптимизировать хранение. В данной статье мы предлагаем представление Optimized Minimal Gaussians (OMG), которое значительно сокращает объем хранения при использовании минимального количества примитивов. Во-первых, мы определяем уникальные гауссовы функции среди близлежащих, минимизируя избыточность без ущерба для качества. Во-вторых, мы предлагаем компактное и точное представление атрибутов, которое эффективно учитывает как непрерывность, так и нерегулярность среди примитивов. Кроме того, мы предлагаем технику субвекторного квантования для улучшенного представления нерегулярности, сохраняя быструю обучение с незначительным размером кодовой книги. Многочисленные эксперименты демонстрируют, что OMG сокращает требования к хранению почти на 50% по сравнению с предыдущими передовыми методами и позволяет достичь рендеринга с частотой более 600 кадров в секунду при сохранении высокого качества рендеринга. Наш исходный код доступен по адресу 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/.