Jun, 2024

修剪肥胖：通过修剪压缩 3D 高斯点云

PDF
TL;DR本研究提出了一种名为 “修剪多余信息” 的后续渐进剪枝技术，旨在解决 3D 模型的内存和计算可扩展性问题，并通过实验证明，在保持或提高基准性能的同时，可以消除高达 75% 的高斯函数。我们的方法在压缩率达到 50 倍的同时，能够加快计算速度高达 600 FPS。
3d modelsneural radiance fields3d gaussian splattingscalabilityiterative pruning technique
发现论文，激发创造
  • EfficientGS: 面向大规模高分辨率场景表示的高效高斯喷射方法

    通过优化 3D 高斯喷涂技术，我们提出了 EfficientGS 方法，针对高分辨率和大规模场景，通过选择性策略和剪枝机制，将模型大小减小为传统 3D 高斯喷涂的十分之一，同时保持高渲染保真度。

    Apr, 2024

  • CompGS: 通过压缩高斯光斑实现高效的 3D 场景表示

    提出了一种名为 CompGS 的高效的三维场景表示方法，通过使用紧凑的高斯原始形式，实现了对三维场景建模过程中数据大小的显著降低。通过设计一种捕获彼此之间预测关系的混合原始结构，利用少量的锚原始形式进行预测，并将大多数原始形式封装成高度紧凑的残差形式。此外，还开发了一种受速率约束的优化方案，以在比特率消耗和表示效能之间实现 CompGS 的最佳权衡。实验证明，所提出的 CompGS 在三维场景表示中明显优于现有方法，在不损害模型准确性和渲染质量的情况下实现了卓越的紧凑性。我们的代码将在 GitHub 上发布供进一步研究使用。

    Apr, 2024

  • PUP 3D-GS: 三维高斯分片的原则性不确定性修剪

    本论文提出了一种基于预训练的 3D 高斯扩散（3D-GS）模型的减枝和优化管道，利用精确的空间敏感度准则，大幅削减高斯分布数量，极大地提升了渲染速度并保持了前景信息和图像质量。

    Jun, 2024

  • 准确几何表示的 3D 高斯点成像修剪

    该研究介绍了一种从图像中重建准确的三维几何结构的方法，通过高斯裁剪选择性去除不准确的几何结构，保留准确的结构，并利用相对较小的高斯尺度来表示优化复杂细节，从而提供更准确的几何结构和更高的感知质量。

    Jun, 2024

  • LP-3DGS: 学习剪枝 3D 高斯点渲染

    通过学习去除迭代 3D 高斯投射法（LP-3DGS）提供了一种自动寻找最佳裁剪比例的方法，该方法使用可训练的二进制掩码来对重要性分数进行裁剪，并通过重新设计掩码函数以利用 Gumbel-Sigmoid 方法使其可微分并与现有的 3D 高斯投射法训练过程兼容，从而在效率和质量之间提供了良好的平衡。

    May, 2024

  • I3DGS: 从多个维度改进 3D 高斯点光面绘制

    3D 高斯光斑是一种用于 3D 视图合成的新方法，其相较于传统的神经渲染技术，能在保持更高清晰度的快速渲染速度的同时，获得隐式神经学习渲染结果。通过多种实验测试不同因素对 3D 高斯光斑模型的训练效率的影响，介绍了一种基于 I3DS 的合成模型性能改进评估解决方案。经过合理的微调后，I3DS 相较于之前的模型性能获得了显著提升。

    May, 2024

  • 通过自组织高斯网格实现紧凑的三维场景表示

    我们提出了一种紧凑的场景表示方法，将三维高斯扩散模型的参数组织成具有局部均匀性的二维网格，从而实现了存储需求的大幅度降低，同时在渲染过程中不影响视觉质量。

    Dec, 2023

  • 减少 3D 高斯喷洒的内存占用

    通过对 3D 高斯散射方法进行内存优化以减少存储和传输需求，提出了使用高斯基元、球面谐波系数和编码簿量化的解决方案，从而在标准数据集上实现了 27 的整体大小减少和 1.7 的渲染速度加快。

    Jun, 2024

  • 应用有限资源的高质量辐射场调节 3D 图形引擎

    通过在有限预算内进行训练和渲染，提出了一种改进的 3D 高斯粉碎（3DGS）模型，实现了较快速、高质量的新视图合成，并减少了模型大小和训练时间。

    Jun, 2024

  • 快速新视角合成的压缩 3D 高斯点云

    通过优化 3D 高斯飞溅表示法，将高保真度场景重建应用于稀疏图像集合的新视角合成，并通过压缩的 3D 高斯飞溅表示法，在显著降低内存消耗和提高渲染效率的基础上，实现了对方向性颜色和高斯参数进行压缩。在多个数据集上进行广泛实验，证明了该方法的鲁棒性和渲染速度。

    Nov, 2023