Optimiertes Minimales 3D-Gaußsches Splatting

Optimized Minimal 3D Gaussian Splatting

March 21, 2025

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

cs.AI

Zusammenfassung

3D Gaussian Splatting (3DGS) hat sich als leistungsstarke Darstellung für Echtzeit-Rendering mit hoher Leistung etabliert und ermöglicht eine Vielzahl von Anwendungen. Die Darstellung von 3D-Szenen mit zahlreichen expliziten Gaußschen Primitiven führt jedoch zu erheblichen Speicher- und Speicheroverheads. Aktuelle Studien haben gezeigt, dass hochwertiges Rendering mit einer deutlich reduzierten Anzahl von Gaußschen Primitiven erreicht werden kann, wenn diese mit hochpräzisen Attributen dargestellt werden. Dennoch stützen sich bestehende 3DGS-Kompressionsmethoden weiterhin auf eine relativ große Anzahl von Gaußschen Primitiven und konzentrieren sich hauptsächlich auf die Attributkompression. Dies liegt daran, dass eine kleinere Menge von Gaußschen Primitiven zunehmend empfindlich auf verlustbehaftete Attributkompression reagiert, was zu erheblichen Qualitätseinbußen führt. Da die Anzahl der Gaußschen Primitiven direkt mit den Rechenkosten verbunden ist, ist es entscheidend, die Anzahl der Gaußschen Primitiven effektiv zu reduzieren, anstatt nur den Speicher zu optimieren. In diesem Artikel schlagen wir die Optimized Minimal Gaussians Representation (OMG) vor, die den Speicherbedarf erheblich reduziert, während eine minimale Anzahl von Primitiven verwendet wird. Zunächst bestimmen wir die unterschiedlichen Gaußschen Primitiven von den nahegelegenen, wodurch Redundanz minimiert wird, ohne die Qualität zu beeinträchtigen. Zweitens schlagen wir eine kompakte und präzise Attributdarstellung vor, die sowohl Kontinuität als auch Unregelmäßigkeiten zwischen den Primitiven effizient erfasst. Darüber hinaus schlagen wir eine Sub-Vektor-Quantisierungstechnik zur verbesserten Darstellung von Unregelmäßigkeiten vor, die ein schnelles Training bei vernachlässigbarer Codebook-Größe ermöglicht. Umfangreiche Experimente zeigen, dass OMG den Speicherbedarf im Vergleich zum bisherigen Stand der Technik um fast 50 % reduziert und Rendering mit über 600 FPS bei gleichbleibend hoher Rendering-Qualität ermöglicht. Unser Quellcode ist unter https://maincold2.github.io/omg/ verfügbar.

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/.