Compact3D: Compressing Gaussian Splat Radiance Field Models with Vector Quantization

3D高斯喷溅是一种新的建模和渲染3D辐射场的方法，与SOTA NeRF方法相比，它实现了更快的学习和渲染时间。然而，与NeRF方法相比，它需要存储多个3D高斯函数的参数，因此存储需求更大。我们注意到许多高斯函数可能共享相似的参数，因此我们引入了一种基于kmeans算法的简单向量量化方法来量化高斯函数的参数。然后，我们将小的码本与每个高斯函数的码索引一起存储。此外，我们通过排序和类似于游程编码的方法进一步压缩索引。我们在标准基准测试以及一个比标准基准测试大一个数量级的新基准测试上进行了广泛的实验。我们表明，我们的简单而有效的方法可以将原始3D高斯喷溅方法的存储成本减少近20倍，并且渲染图像的质量下降非常小。

如何减少3D高斯喷洒方法的存储成本？

将3D高斯喷洒方法的参数进行向量量化，使用k-means算法生成小的码本，并使用类似于游程编码的方法进一步压缩索引，从而减少存储成本。

实验表明，该方法可以将原始3D高斯喷洒方法的存储成本降低近20倍，同时渲染图像质量下降非常小。

当前领域的研究包括NeRF方法等。