技术核心观点 - 提出一种名为Gaussian-Herding-across-Pens (GHAP)的新方法，用于3D Gaussian Splatting (3DGS)的模型压缩，其核心是将3DGS视为高斯混合模型，并采用最优传输视角进行全局简化 [4][8][9] - 该方法在仅保留10%高斯球的情况下，能实现画质几乎不下降，且效果稳定优于主流压缩方案 [4][9] - 该技术框架具有可插拔性，可直接嵌入大多数3DGS变体中，具备极高的可扩展性 [9][28] 方法论创新 - 新视角：首次将3DGS建模为高斯混合分布，并将压缩问题表述为高斯混合简化问题，以在保持几何结构的同时降低冗余 [9][14] - 新框架：提供可扩展至大规模场景的压缩框架，使用KD-Tree进行空间均匀分块，并在每个子块中进行高斯混合简化，使大规模压缩可行 [9][17] - 两段式流程：先进行几何信息（位置/协方差）的约简，再进行外观特征（不透明度/颜色）的细化，解耦几何与外观使效果更稳定 [9][17] 性能表现 - 在Tanks & Temples数据集上，3DGS+GHAP在保留10%高斯球（157个）时，指标为SSIM 0.818，PSNR 23.312，LPIPS 0.242 [20][23] - 在MipNeRF-360数据集上，同等条件下指标为SSIM 0.764，PSNR 26.404，LPIPS 0.314 [20][23] - 在Deep Blending数据集上，同等条件下指标为SSIM 0.905，PSNR 29.647，LPIPS 0.264，其PSNR值甚至接近原始未压缩模型（29.816）[20][23] - 当GHAP应用于MiniSplatting基础模型并保留10%高斯球时，在Deep Blending数据集上实现了反超，PSNR达到30.042，高于原始模型的29.980 [20][23] 技术优势与特点 - 相较于传统“剪枝”方法容易破坏全局几何结构，GHAP方法通过全局最优的方式重建更小的混合模型，能显著保留概率分布的结构形态，即原3D物体的几何形态 [8][15][17] - 该方法是一个后处理方法，无需重新训练，具有极高的可扩展性和可插拔性 [9][28] - 实验结果显示，该方法在渲染质量上普遍优于其他基于剪枝的方法和端到端的方法 [9][20]