ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model

最近，三维高斯点插值（3DGS）已成为新视角合成的一种有前途的框架，提供了快速渲染速度和高保真度。然而，大量高斯和它们相关的属性需要有效的压缩技术。现有的方法主要是单独和独立地压缩神经高斯，即同时编码所有神经高斯，很少考虑它们之间的相互作用和空间依赖关系。受图像压缩中上下文模型的有效性启发，我们在这项工作中提出了第一个锚点级别的自回归模型，用于3DGS压缩。我们将锚点分成不同的级别，尚未编码的锚点可以基于所有更粗糙的级别中已编码的锚点进行预测，从而实现更准确的建模和更高的编码效率。为了进一步提高熵编码的效率，例如对没有已编码锚点的最粗糙级别进行编码，我们建议引入低维量化特征作为每个锚点的超先验，这可以有效地压缩。我们的工作在锚点级别上开创了上下文模型在3DGS表示中的应用，与基本3DGS相比，尺寸缩小了100多倍，与最新的最先进的Scaffold-GS相比，缩小了15倍，同时实现了相当甚至更高的渲染质量。

本论文旨在解决3D高斯点插值（3DGS）的压缩问题，提出了一种基于锚点级别的自回归模型和低维量化特征的超先验方法。

论文提出了一种基于锚点级别的自回归模型和低维量化特征的超先验方法，以更准确地对高斯点进行建模，并实现更高效的编码。

论文通过实验验证了该方法的有效性，相比于基础的3DGS和最新的Scaffold-GS方法，可以实现超过100倍和15倍的压缩比，同时保持相同或更高的渲染质量。论文使用了多个数据集进行实验，并公开了代码。

在最近的相关研究中，还有一些使用自回归模型进行压缩的方法，如PixelCNN和PixelRNN。