Implicit Gaussian Splatting with Efficient Multi-Level Tri-Plane Representation

最近，真实感新视角合成技术的显著进展主要得益于高斯粒子（3DGS）。然而，3DGS数据的显式性质需要大量存储空间，这凸显了更高效数据表示的紧迫需求。为此，我们提出了隐式高斯粒子（IGS），这是一种创新的混合模型，通过多级三平面结构将显式点云与隐式特征嵌入相结合。该结构在不同级别上具有各种分辨率的2D特征网格，促进连续空间域表示，并增强高斯基元之间的空间相关性。在此基础上，我们引入了一种基于级别的渐进式训练方案，其中包括显式空间正则化。该方法利用空间相关性来增强IGS表示的渲染质量和紧凑性。此外，我们提出了一种针对点云和2D特征网格的新型压缩流水线，考虑到不同级别的熵变化。广泛的实验评估表明，我们的算法可以仅使用几MB提供高质量的渲染，有效平衡存储效率和渲染保真度，并产生与最先进技术相竞争的结果。

本文旨在解决高效存储和高质量渲染之间的平衡问题，通过提出一种新的混合模型Implicit Gaussian Splatting (IGS)来实现。

IGS模型将显式点云和隐式特征嵌入通过多层三平面结构进行集成，采用级别递进的训练策略和空间正则化来提高渲染质量和数据紧凑性。

IGS模型可以在几MB的数据存储下提供高质量的渲染，实验结果表明其性能与当前最先进的方法相当。文章还提出了针对点云和2D特征网格的压缩管道，并考虑了不同级别之间的熵变化。

在最近的相关研究中，也有一些关于高效存储和高质量渲染的工作，如NeRF和Gaussian Splatting等。