Locality-aware Gaussian Compression for Fast and High-quality Rendering

要約

我々は、ボリュームシーンのコンパクトなモデリングのために3Dガウシアンの空間的コヒーレンスを利用する、局所性を考慮した3Dガウシアンスプラッティング(3DGS)フレームワークであるLocoGSを発表する。この目的のために、我々はまず3Dガウシアン属性の局所的コヒーレンスを分析し、最小限のストレージ要件でニューラルフィールド表現を用いて局所的にコヒーレントなガウシアン属性を効果的に符号化する、新しい局所考慮3Dガウシアン表現を提案する。新しい表現に加え、LocoGSは、圧縮性能を最大化するために、高密度初期化、適応的な球面高調波帯域幅スキーム、異なるガウス属性に対する異なる符号化スキームなどの追加コンポーネントを注意深く設計している。実験結果は、我々のアプローチが、3DGSよりも54.6$times$から96.6$times$の圧縮ストレージサイズと2.1$times$から2.4$times$のレンダリング速度を達成しながら、代表的な実世界の3Dデータセットに対して、既存のコンパクトなガウス表現のレンダリング品質を上回ることを示している。我々のアプローチでも、同等の圧縮性能の最先端圧縮手法より平均2.4$times$高いレンダリング速度を示す。

要約(オリジナル)

We present LocoGS, a locality-aware 3D Gaussian Splatting (3DGS) framework that exploits the spatial coherence of 3D Gaussians for compact modeling of volumetric scenes. To this end, we first analyze the local coherence of 3D Gaussian attributes, and propose a novel locality-aware 3D Gaussian representation that effectively encodes locally-coherent Gaussian attributes using a neural field representation with a minimal storage requirement. On top of the novel representation, LocoGS is carefully designed with additional components such as dense initialization, an adaptive spherical harmonics bandwidth scheme and different encoding schemes for different Gaussian attributes to maximize compression performance. Experimental results demonstrate that our approach outperforms the rendering quality of existing compact Gaussian representations for representative real-world 3D datasets while achieving from 54.6$\times$ to 96.6$\times$ compressed storage size and from 2.1$\times$ to 2.4$\times$ rendering speed than 3DGS. Even our approach also demonstrates an averaged 2.4$\times$ higher rendering speed than the state-of-the-art compression method with comparable compression performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL