EfficientGS: Streamlining Gaussian Splatting for Large-Scale High-Resolution Scene Representation

在3D场景表示领域，3D高斯喷洒（3DGS）已经成为一个关键技术。然而，它在应用于大规模、高分辨率场景（超过4k×4k像素）时，由于需要管理大量高斯函数而导致的计算需求过高，受到了限制。为了解决这个问题，我们引入了“EfficientGS”，这是一种优化3DGS以适应高分辨率、大规模场景的先进方法。我们分析了3DGS中的密集化过程，并确定了高斯函数过度繁殖的区域。我们提出了一种选择性策略，将高斯函数的增加限制在关键基元上，从而提高了表现效率。此外，我们开发了一个修剪机制，用于删除冗余的高斯函数，即那些仅仅是相邻高斯函数的辅助函数。为了进一步提高效率，我们集成了一种用于球面谐波（SH）的稀疏序增量，旨在缓解存储限制并减少训练开销。我们进行了经验评估，包括广泛的4K+航拍图像数据集，结果表明，“EfficientGS”不仅加速了训练和渲染时间，而且在模型大小约为传统3DGS的十倍的情况下，仍然保持高渲染保真度。

本论文试图解决3D高斯喷洒（3DGS）在处理大规模、高分辨率场景时的计算需求过高的问题。

论文提出了一种名为'EfficientGS'的高效3DGS方法，通过限制高斯增加到关键基元，剪枝冗余高斯，以及集成稀疏阶增量的球面谐波（SH），以提高3DGS的表示效率和减少模型大小。

论文通过实验评估表明，'EfficientGS'不仅加快了训练和渲染时间，而且在模型大小约为传统3DGS的十倍的情况下，仍然保持高渲染保真度。

近期的相关研究包括：'DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation'、'NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis'等。