A Benchmark for Gaussian Splatting Compression and Quality Assessment Study

本文提出了一种名为基于图的GS数据压缩锚点(Graph-based GS Compression, GGSC)的简单而有效的GS压缩方法，以填补传统GS压缩方法的空白。GGSC受到图信号处理理论的启发，使用两个分支来压缩原始中心和属性。我们通过KDTree将整个GS样本分割，并在图傅里叶变换后剪切高频分量。接着进行量化，使用G-PCC和自适应算术编码来压缩原始中心和属性残差矩阵，生成比特率文件。GGSS是第一个探索传统GS压缩的工作，具有揭示GS失真特征的优点，对应于典型的压缩操作，如高频剪切和量化。其次，基于GGSC，我们创建了一个GS质量评估数据集(GSQA)，包括120个样本。在实验室环境中进行主观实验，将GS渲染成处理后的视频序列(PVS)后收集主观分数。我们基于平均意见分数(Mean Opinion Scores, MOS)分析了不同GS失真的特征，展示了不同属性失真对视觉质量的敏感性。GGSC代码和数据集，包括GS样本、MOS和PVS，已在https://github.com/Qi-Yangsjtu/GGSC上公开发布。

本论文旨在解决传统GS数据压缩的问题，并提出了一种名为Graph-based GS Compression (GGSC)的新型压缩方法。同时，论文还试图通过主观实验评估GS数据失真对视觉质量的影响。

GGSC方法受到图信号处理理论的启发，使用两个分支来压缩基元中心和属性。通过KDTree对整个GS样本进行分割，并在图傅里叶变换后剪切高频分量。接着进行量化，使用G-PCC和自适应算术编码来压缩基元中心和属性残差矩阵以生成比特率文件。

GGSC是第一个探索传统GS压缩的工作，可以揭示与典型压缩操作相对应的GS失真特征，如高频剪切和量化。基于GGSC，论文创建了一个GS质量评估数据集(GSQA)，包括120个样本。在实验室环境中进行主观实验，将GS渲染成处理后的视频序列（PVS）并收集主观得分。通过MOS分析不同GS失真的特性，展示了不同属性失真对视觉质量的敏感性。GGSC代码和数据集，包括GS样本、MOS和PVS，已公开在https://github.com/Qi-Yangsjtu/GGSC。

近期在这个领域中，还有一些相关的研究，如《Graph-based Image Compression with Global Optimization》、《Graph-based Image and Video Processing》等。