HAC++: Towards 100X Compression of 3D Gaussian Splatting

要約

3Dガウススプラッティング（3DG）は、新しいビュー合成の有望なフレームワークとして浮上しており、高い忠実度を備えた急速なレンダリング速度を誇っています。
ただし、実質的なガウスとそれに関連する属性は、効果的な圧縮技術を必要とします。
それにもかかわらず、ガウスのポイントクラウド（または私たちの論文のアンカー）のまばらで組織化されていない性質は、圧縮の課題を提示します。
コンパクトなサイズを実現するために、組織化されていないアンカーと構造化されたハッシュグリッドとの関係を活用して、コンテキストモデリングに相互情報を利用するHAC ++を提案します。
さらに、HAC ++は、アンカー内のコンテキスト関係をキャプチャして、圧縮性能をさらに強化します。
エントロピーコーディングを容易にするために、ガウス分布を利用して、各量子化属性の確率を正確に推定します。ここでは、適応量子化モジュールが提案され、これらの属性の高精度量子化が改善された忠実度の回復を可能にします。
さらに、無効なガウスとアンカーを排除するための適応マスキング戦略を組み込みます。
全体として、HAC ++は、すべてのデータセットで平均した場合、バニラ3DGと比較して100倍以上の顕著なサイズの縮小を達成し、同時に忠実度を向上させます。
また、足場GSと比較して20倍以上のサイズの削減を実現します。
私たちのコードは、https：//github.com/yihangchen-ee/hac-plusで入手できます。

要約(オリジナル)

3D Gaussian Splatting (3DGS) has emerged as a promising framework for novel view synthesis, boasting rapid rendering speed with high fidelity. However, the substantial Gaussians and their associated attributes necessitate effective compression techniques. Nevertheless, the sparse and unorganized nature of the point cloud of Gaussians (or anchors in our paper) presents challenges for compression. To achieve a compact size, we propose HAC++, which leverages the relationships between unorganized anchors and a structured hash grid, utilizing their mutual information for context modeling. Additionally, HAC++ captures intra-anchor contextual relationships to further enhance compression performance. To facilitate entropy coding, we utilize Gaussian distributions to precisely estimate the probability of each quantized attribute, where an adaptive quantization module is proposed to enable high-precision quantization of these attributes for improved fidelity restoration. Moreover, we incorporate an adaptive masking strategy to eliminate invalid Gaussians and anchors. Overall, HAC++ achieves a remarkable size reduction of over 100X compared to vanilla 3DGS when averaged on all datasets, while simultaneously improving fidelity. It also delivers more than 20X size reduction compared to Scaffold-GS. Our code is available at https://github.com/YihangChen-ee/HAC-plus.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google