.png){kind=icon}
返回
POTR: Post-Training 3DGS Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/tcsvt.2026.3685779.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
3D高斯散点图（3DGS）最近已成为3D场景重建和实时新视角合成中与神经辐射场（NeRF）竞争的有力候选者。3DGS在训练和推理速度上优于NeRF，但存储需求显著更高。为弥补这一缺点，我们提出了POTR，一种基于两种新颖技术的后训练3DGS编解码器。首先，POTR引入了一种新颖的剪枝方法，利用改进的3DGS光栅化器高效地同时计算每个散点的个体移除效果。该方法比其他后训练剪枝技术减少2-4倍的散点数量，并显著加速推理，实验表明比其他压缩模型快1.5-2倍。其次，我们提出了一种新颖方法重新计算光照系数，在不使用任何训练的情况下显著降低其熵。我们的快速且高度并行的方法特别增加了AC光照系数的稀疏性，实验表明从70%增加到97%，同时质量损失最小。最后，我们通过简单的微调方案扩展POTR，以进一步增强剪枝、推理和率失真性能。实验表明，POTR即使在未微调的情况下，在率失真性能和推理速度方面均持续优于所有其他后训练压缩技术。
Keyword:
3DGS
compression
spherical harmonics
energy compaction
pruning
期刊
IF:
11.1
论文数:
846
被引数:
3.1W
机构
引用论文
.png){kind=icon}
查看更多内容