EAGLES: Efficient Accelerated 3D Gaussians with Lightweight EncodingS

最近，三维高斯点描（3D-GS）在新视角场景合成中变得越来越流行。它解决了神经辐射场（NeRFs）所需的漫长训练时间和缓慢渲染速度的挑战。通过对三维高斯函数进行快速可微栅格化，3D-GS实现了实时渲染和加速训练。然而，它们需要大量的内存资源进行训练和存储，因为它们需要每个场景中数百万个高斯函数的点云表示。我们提出了一种利用量化嵌入来显著减少内存存储需求，以及一种粗到细的训练策略，以实现更快速和更稳定的高斯点云优化。我们的方法可以减少高斯函数数量和量化表示，从而实现高分辨率场景的更快速训练和渲染速度。我们的方法将内存减少了一个数量级，同时保持了重建质量。我们在各种数据集和场景上验证了我们的方法的有效性，保持了视觉质量，同时消耗的内存和训练/推理速度降低了10-20倍。项目页面和代码可在https://efficientgaussian.github.io找到。

论文旨在解决3D-GS在训练和存储方面需要大量内存资源的问题，通过使用量化嵌入和粗到细的训练策略来减少内存需求并提高训练速度。

论文提出了一种使用量化嵌入和粗到细的训练策略来优化3D-GS的方法，以减少内存需求并提高训练速度。

论文使用了量化嵌入和粗到细的训练策略来优化3D-GS，以减少内存需求并提高训练速度，同时保持重建质量。实验结果表明，该方法在多个数据集和场景中都能有效地减少内存需求，提高训练和推理速度。

在这个领域中，最近的相关研究包括Neural Radiance Fields (NeRFs)，以及其他一些基于3D点云的实时渲染方法，例如Occupancy Networks和Point Set Generation Network。