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提出了挑战。作为NeRF类神经渲染方法的替代方案，3D高斯喷洒（3DGS）提供了快速的渲染速度，同时保持了优秀的图像质量。然而，由于它使用大量高斯函数来表示对象和场景，因此需要大量存储空间才能实现高质量的表示。为了减少存储开销，我们提出了分解3D高斯喷洒（F-3DGS），一种新颖的方法，可以显著减少存储需求，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，从而大大减少了高斯函数的数量。我们的目标是通过用每个轴及其组合的有限信息来近似高密度的3D高斯函数，以有效地表示它们。这种方法使我们能够使用相对较少的元素来编码大量的高斯函数及其必要属性（如颜色、尺度和旋转），以便进行渲染。广泛的实验结果表明，F-3DGS在保持渲染图像质量的同时，实现了存储成本的显著降低。

论文试图解决的问题是在资源受限的环境和实时应用中，如何减少神经辐射场（NeRF）等类似神经渲染方法的高计算成本，同时保持图像质量。

论文提出了一种新的方法，即分解的3D高斯飞溅（F-3DGS），通过高效的因式分解来显著减少存储要求，同时保持图像质量。该方法通过将密集的高斯聚类用少量的信息来近似表示，从而实现了对大量高斯的编码和渲染所需的基本属性的表示。

论文设计了广泛的实验来证明F-3DGS在降低存储成本的同时保持了渲染图像的质量。论文还开源了代码，并提供了详细的实验结果和分析。该方法的亮点包括高效的存储和渲染速度，以及对大规模高斯聚类的有效处理。

在最近的相关研究中，还有一些关于神经渲染方法的研究，如NeRF和3D高斯飞溅（3DGS）。