Lightweight Predictive 3D Gaussian Splats

最近的一些方法使用高斯点云来表示3D物体和场景，这种方法在各种平台和设备上都能提高渲染速度。虽然使用这种表示方法确实非常高效，但是存储和传输却往往代价高昂。为了表示大规模场景，通常需要存储数百万个占据几十GB磁盘空间的3D高斯点云。这造成了实际上的限制，阻碍了广泛采用。已经提出了几种解决方案，以在磁盘大小和渲染质量之间取得平衡，但这些方案明显降低了视觉质量。在本文中，我们提出了一种新的表示方法，可以显著减少硬盘占用空间，同时具有与标准3D高斯点云相似或更好的质量。与其他紧凑的解决方案相比，我们的方法提供了更高质量的渲染，并且存储空间显著减少，能够在移动设备上实时高效运行。我们的关键观察是场景中的附近点可以共享相似的表示方法。因此，只需要存储少量的3D点。我们介绍了一种方法来识别这些点，称为父点。被丢弃的点称为子点，可以通过小型多层感知机高效预测其属性。

提出一种新的3D对象和场景表示方法，旨在解决3D高斯斑点表示方法存储和传输成本高的问题。

通过识别场景中相似的点，即父点，仅需存储少量点的信息，而被舍弃的子点及其属性可以通过小型MLP进行高效预测。

该方法相比其他紧凑型解决方案具有更高的渲染质量和更小的存储空间，能够在移动设备上实时高效运行。实验使用了多个数据集进行验证，并且开源了代码。

相关研究包括3D对象和场景表示方法的其他紧凑型解决方案，以及传输和存储压缩技术的研究。