⏶3

置信散点：基于可学习Beta分布的3D高斯散点渲染置信度压缩

06月28日发表

07月02日由 Amirhossein Razlighi 提交

作者: AmirHossein Naghi Razlighi, Elaheh Badali Golezani, Shohreh Kasaei

摘要

3D 高斯散斑 (3D Gaussian Splatting) 实现了高质量的实时渲染，但通常会产生数百万个散斑，导致过多的存储和计算开销。我们提出了一种基于可学习置信度分数的、以 Beta 分布建模的新型有损压缩方法。每个散斑的置信度通过重建感知损失进行优化，从而能够在修剪低置信度散斑的同时保留视觉保真度。所提出的方法与架构无关，可应用于任何高斯散斑变体。此外，平均置信度值可作为评估场景质量的新指标。大量实验表明，与现有工作相比，在压缩和保真度之间取得了有利的平衡。我们的代码和数据可在 https://github.com/amirhossein-razlighi/Confident-Splatting 公开获取

查看 arXiv 页面查看 PDF

Amirhossein Razlighi

论文作者

论文提交者

一种新的有损压缩 3DGS 场景的方法，该方法具有可学习的置信度分数和测试时剪枝功能（从600万个splats减少到300万个splats，PSNR下降不到0.1！）

请访问论文网站，获取代码、最新发布的数据集和交互式可视化！

https://amirhossein-razlighi.github.io/Confident-Splatting/

此外，我们的方法与架构无关，这意味着它可以在原始 3DGS、高斯泼溅 MCMC 以及所有其他高斯泼溅架构上无需任何更改即可运行！

置信散点：基于可学习Beta分布的3D高斯散点渲染置信度压缩

摘要

评论