論文の概要: A Hierarchical Compression Technique for 3D Gaussian Splatting Compression

• arxiv url: http://arxiv.org/abs/2411.06976v1
• Date: Mon, 11 Nov 2024 13:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:00.528987
• Title: A Hierarchical Compression Technique for 3D Gaussian Splatting Compression
• Title（参考訳）: 3次元ガウス平滑圧縮のための階層圧縮法
• Authors: He Huang, Wenjie Huang, Qi Yang, Yiling Xu, Zhu li,
• Abstract要約: 3D Gaussian Splatting (GS) は、新規なビュー合成において優れたレンダリング品質と生成速度を示す。 現在の3D GS圧縮研究は主によりコンパクトなシーン表現の開発に焦点を当てている。 本稿では,このギャップに対処する階層型GS圧縮(HGSC)手法を提案する。
• 参考スコア（独自算出の注目度）: 23.785131033155924
• License:
• Abstract: 3D Gaussian Splatting (GS) demonstrates excellent rendering quality and generation speed in novel view synthesis. However, substantial data size poses challenges for storage and transmission, making 3D GS compression an essential technology. Current 3D GS compression research primarily focuses on developing more compact scene representations, such as converting explicit 3D GS data into implicit forms. In contrast, compression of the GS data itself has hardly been explored. To address this gap, we propose a Hierarchical GS Compression (HGSC) technique. Initially, we prune unimportant Gaussians based on importance scores derived from both global and local significance, effectively reducing redundancy while maintaining visual quality. An Octree structure is used to compress 3D positions. Based on the 3D GS Octree, we implement a hierarchical attribute compression strategy by employing a KD-tree to partition the 3D GS into multiple blocks. We apply farthest point sampling to select anchor primitives within each block and others as non-anchor primitives with varying Levels of Details (LoDs). Anchor primitives serve as reference points for predicting non-anchor primitives across different LoDs to reduce spatial redundancy. For anchor primitives, we use the region adaptive hierarchical transform to achieve near-lossless compression of various attributes. For non-anchor primitives, each is predicted based on the k-nearest anchor primitives. To further minimize prediction errors, the reconstructed LoD and anchor primitives are combined to form new anchor primitives to predict the next LoD. Our method notably achieves superior compression quality and a significant data size reduction of over 4.5 times compared to the state-of-the-art compression method on small scenes datasets.
• Abstract（参考訳）: 3D Gaussian Splatting (GS) は、新規なビュー合成において優れたレンダリング品質と生成速度を示す。 しかし、大きなデータサイズはストレージと送信の難しさを招き、3D GS圧縮が重要な技術となる。 現在の3D GS圧縮研究は主に、明示的な3D GSデータを暗黙の形式に変換するなど、よりコンパクトなシーン表現の開発に焦点を当てている。 対照的に、GSデータ自体の圧縮は、ほとんど調査されていない。 このギャップに対処するため,階層型GS圧縮(HGSC)手法を提案する。 当初我々は,世界的および地域的重要性の両方から得られた重要度に基づいて,重要でないガウス人を訓練し,視覚的品質を維持しつつ,冗長性を効果的に低減した。 オクタリー構造は3D位置を圧縮するために用いられる。 3D GS Octreeに基づいて,KD木を用いて3D GSを複数のブロックに分割することで,階層的な属性圧縮戦略を実装した。 各ブロック内のアンカープリミティブを選択するために最遠点サンプリングを適用し、それ以外をレベル・オブ・詳細(LoD)の異なる非アンカープリミティブとして適用する。 アンカープリミティブは、空間的冗長性を減らすために異なるLoDにわたって非アンカープリミティブを予測するための参照ポイントとして機能する。 アンカープリミティブに対しては、領域適応階層変換を用いて、様々な属性のほとんどロスレス圧縮を実現する。 非アンカープリミティブに対しては、それぞれがk-アレストアンカープリミティブに基づいて予測される。 さらに予測エラーを最小限にするため、再構成されたLoDとアンカープリミティブを組み合わせて新しいアンカープリミティブを形成し、次のLoDを予測する。 提案手法は,小シーンデータセットの圧縮手法と比較して,圧縮品質が向上し,データサイズが4.5倍以上の有意な削減を実現している。

関連論文リスト

• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• Fast Feedforward 3D Gaussian Splatting Compression [55.149325473447384]
  3D Gaussian Splatting (FCGS) は、1つのフィードフォワードパスで3DGS表現を高速に圧縮できる最適化フリーモデルである。 FCGSは圧縮比を20倍以上に向上し、高精細度を維持しながら、ほとんどのシーン毎のSOTA最適化手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-10T15:13:08Z)
• ContextGS: Compact 3D Gaussian Splatting with Anchor Level Context Model [77.71796503321632]
  我々は3DGS表現のアンカーレベルにコンテキストモデルを導入し,バニラ3DGSと比較して100倍以上のサイズの縮小を実現した。 我々の研究は3DGS表現のためのアンカーレベルのコンテキストモデルを開拓し、バニラ3DGSに比べて100倍以上、そして最新の最先端のScaffold-GSに比べて15倍の大幅なサイズ縮小を実現した。
  論文  参考訳（メタデータ） (2024-05-31T09:23:39Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• CompGS: Efficient 3D Scene Representation via Compressed Gaussian Splatting [68.94594215660473]
  Compressed Gaussian Splatting (CompGS) という,効率的な3次元シーン表現を提案する。 我々は少数のアンカープリミティブを予測に利用し、プリミティブの大多数を非常にコンパクトな残留形にカプセル化することができる。 実験の結果,提案手法は既存の手法よりも優れており,モデル精度とレンダリング品質を損なうことなく,3次元シーン表現のコンパクト性に優れていた。
  論文  参考訳（メタデータ） (2024-04-15T04:50:39Z)
• HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。 高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。 私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
  論文  参考訳（メタデータ） (2024-03-21T16:28:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。