論文の概要: Towards Practical Compression of 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.30245v1
• Date: Thu, 24 Sep 2026 17:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.198601
• Title: Towards Practical Compression of 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス平板の実用圧縮に向けて
• Abstract要約: 既存の圧縮法は、しばしば不規則な3次元表現上の空間コンテキストモデリングに依存する。 アンカーワイズ因果分解による空間アグリゲーションを伴わない文脈を構築するCOSA-GSを提案する。 実験により、COSA-GSは高速で一貫したクロスプラットフォームデコードを維持しながら、最先端の圧縮性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 46.309576843174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) enables high-quality novel-view synthesis but requires substantial storage. Existing compression methods often rely on spatial context modeling over irregular 3D representations, increasing the complexity of training and coding. Meanwhile, floating-point context inference can introduce numerical inconsistencies across platforms, causing entropy-decoding failures. To address these practical challenges, we propose COSA-GS, which constructs context without spatial aggregation through anchor-wise causal factorization. Specifically, we use geometry context derived from each anchor's coordinates to model a compact learnable anchor latent. The anchor latent is then fused with the geometry context to form an anchor context for attribute coding. The resulting context model features a simple architecture composed solely of linear transformations and activations. We train COSA-GS using rate--distortion optimization with adaptive Gaussian pruning. Further, we develop quantization-aware training and integer inference for the context model to achieve bit-exact consistency of entropy-decoded symbols across platforms. Experiments demonstrate that COSA-GS achieves state-of-the-art compression performance while retaining fast and consistent cross-platform decoding, providing a simple yet effective framework for practical 3DGS compression. Code is available at https://github.com/pengpeng-yu/COSA-GS.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は高品質なノベルビュー合成を可能にするが、かなりのストレージを必要とする。 既存の圧縮法は、しばしば不規則な3次元表現に対する空間コンテキストモデリングに依存し、訓練とコーディングの複雑さを増大させる。 一方、浮動小数点コンテキスト推論はプラットフォーム間の数値的矛盾を導入し、エントロピーデコーディングの失敗を引き起こす。 このような現実的な課題に対処するために, アンカーワイズ因果分解による空間的凝集を伴わない文脈を構築するCOSA-GSを提案する。 具体的には、各アンカーの座標から導かれる幾何学的文脈を用いて、コンパクトな学習可能なアンカーラテントをモデル化する。 アンカーラテントは幾何学的文脈と融合し、属性符号化のためのアンカーコンテキストを形成する。 結果として生じるコンテキストモデルは、線形変換とアクティベーションのみからなる単純なアーキテクチャを特徴とする。 適応型ガウスプルーニングを用いたレート歪み最適化を用いてCOSA-GSを訓練する。 さらに,プラットフォーム間のエントロピー復号化シンボルのビット差の整合性を実現するために,文脈モデルに対する量子化対応トレーニングと整数推論を開発する。 実験により、COSA-GSは高速で一貫したクロスプラットフォームデコーディングを維持しながら最先端の圧縮性能を実現し、実用的な3DGS圧縮のためのシンプルで効果的なフレームワークを提供することが示された。 コードはhttps://github.com/pengpeng-yu/COSA-GSで入手できる。

関連論文リスト

• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• Feed-Forward 3D Gaussian Splatting Compression with Long-Context Modeling [30.948753429414648]
  3DGSは革命的な3D表現として登場したが、その膨大なデータサイズは、広く普及するための大きな障壁となっている。 長距離相関を効果的にモデル化するフィードフォワード3DGS圧縮フレームワークを提案する。 本手法は,フィードフォワード推論における3DGSの圧縮率を20倍に設定する。
  論文  参考訳（メタデータ） (2025-11-30T12:51:43Z)
• 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。