.png){kind=icon}
返回
Constrained Dynamic Gaussian Splatting
.png){kind=icon}
PRE
AI
DOI：10.1109/tcsvt.2026.3740925.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管动态高斯散点图能够实现高保真4D重建，但其部署受到一个根本性困境的严重阻碍：无约束的稠密化导致与边缘设备不兼容的过度内存消耗，而启发式修剪在预设高斯预算下无法实现最优渲染质量。在这项工作中，我们提出了约束动态高斯散点图（CDGS），这是一种将动态场景重建表述为预算约束优化问题的新框架，以在训练期间强制执行用户定义的高斯预算。我们的核心见解是引入一个可微预算控制器作为核心优化驱动器。在多模态统一重要性分数的指导下，该控制器融合几何、运动和感知线索以实现精确容量调节。为最大化固定预算的效用，我们进一步引入了一种自适应静态-动态分配策略，将高斯表示分离为静态和动态分支，并根据运动复杂度在它们之间分配共享的全局容量。此外，我们实施了一个三阶段训练策略以无缝集成这些约束，确保精确遵循目标计数。训练后，一种双模混合压缩方案进一步降低了存储开销。因此，CDGS不仅严格遵循指定的高斯计数预算（误差<2%），还实现了有利的率失真性能。大量实验表明，CDGS在变化的容量限制下提供最优渲染质量，并实现有利的率失真性能，与当前最佳方法Ex4DGS相比，模型压缩超过3倍。
Keyword:
Dynamic Gaussian Splatting
Neural Rendering
Resource-Constrained Rendering
Immersive Media
期刊
IF:
11.1
论文数:
869
被引数:
3.1W
机构
引用论文
暂无论文信息