HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression

3D高斯点云喷洒（3DGS）已成为新视角合成的有前途的框架，具有高保真度和快速渲染速度。然而，大量的高斯点云和相关属性需要有效的压缩技术。然而，高斯点云（或我们论文中的锚点）的稀疏和无组织性质对于压缩提出了挑战。为了解决这个问题，我们利用无组织锚点和结构化哈希网格之间的关系，利用它们的相互信息进行上下文建模，并提出了一种哈希网格辅助上下文（HAC）框架，用于高度紧凑的3DGS表示。我们的方法引入了一个二进制哈希网格，以建立连续的空间一致性，使我们能够通过精心设计的上下文模型揭示锚点的固有空间关系。为了便于熵编码，我们利用高斯分布准确估计每个量化属性的概率，提出了自适应量化模块，以实现这些属性的高精度量化，以提高保真度恢复。此外，我们还采用了自适应掩蔽策略来消除无效的高斯点云和锚点。重要的是，我们的工作是探索基于上下文的3DGS表示压缩的先驱，与基本的3DGS相比，尺寸减小了超过75倍，同时提高了保真度，并且相对于SOTA 3DGS压缩方法Scaffold-GS，尺寸减小了超过11倍。我们的代码在这里提供：https://github.com/YihangChen-ee/HAC

论文旨在解决3D高斯喷洒（3DGS）表示压缩的问题，提出了一种基于哈希网格的上下文建模方法，以及自适应量化模块和自适应掩蔽策略，以进一步提高压缩效率和重建质量。

论文提出了一种哈希网格辅助上下文（HAC）框架，利用哈希网格与点云锚点之间的关系，通过上下文建模实现高度压缩的3DGS表示。采用自适应量化模块和自适应掩蔽策略，提高量化精度并消除无效高斯和锚点。

论文采用了自适应量化模块和自适应掩蔽策略，并提出了一种哈希网格辅助上下文（HAC）框架，实现高度压缩的3DGS表示。实验结果表明，相比于vanilla 3DGS和SOTA 3DGS压缩方法Scaffold-GS，HAC框架能够实现高达75倍的尺寸缩小，并同时提高重建质量。

最近的相关研究包括：Scaffold-GS、3DMV和NeRF等。