.png){kind=icon}
返回
4DGStream: Variable Bitrate Dynamic Gaussian Splatting Streaming
.png){kind=icon}
PRE
AI
DOI：10.1109/tmm.2026.3668629.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然3D高斯散点图（3DGS）革新了静态场景表示，但其扩展到动态场景，即3DGS视频（GSV），在重建质量、渲染速度和存储需求方面面临挑战。当前GSV的巨大数据量对 streaming 应用构成了显著障碍，特别是在AR、VR和MR领域。为应对这些挑战，我们引入4DGStream，一种新型框架，集成了高效的GSV压缩方法Light4D和比特率自适应流媒体策略QoSmooth，以确保在保持高视觉质量的同时实现流畅播放。Light4D采用基于二值化的时空变形网络来建模高斯基元属性随时间的变形，同时时空感知掩码模块修剪冗余高斯分布，进一步提升了长期重建质量。为减少存储，Light4D使用二值哈希网格建模属性的熵以进行算术编码，其二值特性允许通过伯努利分布高效建模熵。这些组件使Light4D在Neu3D数据集上相较于SpacetimeGS提升FPS/Storage指标达12.4倍，相较于4DGS提升26.4倍，相较于其他基于NeRF的SOTA方法提升超过3个数量级。其中，FPS/Storage反映了渲染速度与数据存储之间的平衡。尽管模型大小显著减小，Light4D仍保持或超越4DGS的重建质量。此外，QoSmooth提供有效的码率控制以增强播放流畅度，减少比特率级别切换61.6%，提高时间平均效用26.2%。所有这些改进使4DGStream高度适用于GSV流媒体传输，相较于SOTA方法提升QoE达36.7%。
Keyword:
3D Gaussian splatting
compression
media streaming
quality of experience
virtual reality
期刊
IF:
9.7
论文数:
4.6K
被引数:
2.4W
机构
引用论文
分享收藏
Fumos: Neural Compression and Progressive Refinement for Continuous Point Cloud Video Streaming.png)
IF0
PREAI
分享收藏
查看更多内容