arXiv:2505.05587 (cs) [提交于 2025年5月8日]

标题: Steepest Descent Density Control for Compact 3D Gaussian Splatting

作者:Peihao Wang, Yuehao Wang, Dilin Wang, Sreyas Mohan, Zhiwen Fan, Lemeng Wu, Ruisi Cai, Yu-Ying Yeh, Zhangyang Wang, Qiang Liu, Rakesh Ranjan 查看由 Peihao Wang 和其他 10 位作者撰写的题为 Steepest Descent Density Control for Compact 3D Gaussian Splatting 的论文的 PDF 版本 查看 PDF HTML (实验性)

摘要: 3D Gaussian Splatting (3DGS) 已经成为一种强大的技术，用于实时、高分辨率的新视角合成。 通过将场景表示为 Gaussian 图元的混合，3DGS 利用 GPU 光栅化流水线来实现高效的渲染和重建。 为了优化场景覆盖率并捕获精细细节，3DGS 采用了一种密度增加算法来生成额外的点。 然而，这个过程经常导致冗余点云，从而导致过多的内存使用、较慢的性能和大量的存储需求——这对在资源受限的设备上部署提出了重大挑战。 为了解决这个限制，我们提出了一个理论框架，它揭示并改进了 3DGS 中的密度控制。 我们的分析表明，分裂对于逃离鞍点至关重要。 通过优化理论方法，我们建立了密度增加的必要条件，确定了最小数量的子代 Gaussian，确定了最佳参数更新方向，并为归一化子代不透明度提供了分析解决方案。 基于这些见解，我们引入了 SteepGS，它结合了最陡峭的密度控制，这是一种在保持紧凑点云的同时最大限度地减少损失的原则性策略。 SteepGS 在不影响渲染质量的情况下实现了约 50% 的 Gaussian 点减少，从而显着提高了效率和可扩展性。 评论: | CVPR 2025, 项目页面: this https URL
---|---
主题: | 计算机视觉与模式识别 (cs.CV) 引用为: | arXiv:2505.05587 [cs.CV] (或 arXiv:2505.05587v1 [cs.CV] 对于此版本) https://doi.org/10.48550/arXiv.2505.05587 通过 DataCite 专注于了解更多 arXiv 发布的 DOI

提交历史

来自: Peihao Wang [查看电子邮件] [v1] 2025年5月8日 18:41:38 UTC (10,413 KB) 全文链接:

访问论文:

查看由 Peihao Wang 和其他 10 位作者撰写的题为 Steepest Descent Density Control for Compact 3D Gaussian Splatting 的论文的 PDF 版本