F-3DGS: Factorized Coordinates and Representations for 3D Gaussian Splatting

神经辐射场（NeRF）在表示3D场景和合成新视角方面取得了重大进展。尽管如此，NeRF的高计算成本对于其在资源受限的环境和实时应用中的部署构成了挑战。作为NeRF类神经渲染方法的替代方案，3D高斯喷洒（3DGS）提供了快速渲染速度，同时保持了优秀的图像质量。然而，由于它使用大量的高斯函数来表示对象和场景，因此需要大量的存储来实现高质量的表示。为了减轻存储开销，我们提出了分解3D高斯喷洒（F-3DGS），一种新颖的方法，可以显著减少存储要求，同时保持图像质量。受经典矩阵和张量分解技术的启发，我们的方法通过高效的分解来表示和近似密集的高斯聚类，从而使用更少的高斯函数。我们的目标是通过用每个轴及其组合的有限信息来近似表示密集的3D高斯函数，从而实现高效表示。这种方法允许我们使用相对较少的元素来编码大量的高斯函数以及它们的基本属性，例如颜色、比例和旋转，这些属性对于渲染是必要的。广泛的实验结果表明，F-3DGS在保持渲染图像质量相当的同时，实现了存储成本的显著降低。

本文旨在解决NeRF在资源受限的环境和实时应用中计算成本高的问题，提出一种代替NeRF的3D高斯飞溅方法，并进一步提出Factorized 3D高斯飞溅（F-3DGS）以降低存储开销。

F-3DGS通过对高密度高斯群簇进行高效分解，用相对较少的元素来近似表示大量高斯，从而实现高质量图像的呈现。

F-3DGS通过矩阵和张量分解技术对高密度高斯群簇进行高效分解，从而大大降低了存储成本；实验结果表明F-3DGS在保持渲染图像质量的同时，大幅降低了存储成本。

在这个领域中，最近的相关研究包括NeRF、3D高斯飞溅等。