ADC-GS: Anchor-Driven Deformable and Compressed Gaussian Splatting for Dynamic Scene Reconstruction

📄 arXiv: 2505.08196v1 📥 PDF

作者: He Huang, Qi Yang, Mufan Liu, Yiling Xu, Zhu Li

分类: cs.CV

发布日期: 2025-05-13

🔗 代码/项目: GITHUB

💡 一句话要点

提出ADC-GS，通过锚点驱动的可变形压缩高斯溅射实现动态场景高效重建。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 动态场景重建 高斯溅射 锚点驱动 可变形模型 压缩 率失真优化

📋 核心要点

  1. 现有4D高斯溅射方法忽略了相邻高斯基元的冗余，导致动态场景重建性能受限。
  2. ADC-GS通过锚点驱动的结构和分层形变策略，减少冗余，提升动态场景重建效率。
  3. 实验表明，ADC-GS在渲染速度和存储效率上均优于现有方法，且不损失渲染质量。

📝 摘要（中文）

现有的4D高斯溅射方法依赖于每个高斯基元从规范空间到目标帧的形变，忽略了相邻高斯基元之间的冗余，导致性能欠佳。为了解决这个局限性，我们提出了锚点驱动的可变形压缩高斯溅射（ADC-GS），这是一种用于动态场景重建的紧凑而高效的表示方法。具体而言，ADC-GS在规范空间内将高斯基元组织成基于锚点的结构，并通过基于时间显著性的锚点细化策略进行增强。为了减少形变冗余，ADC-GS引入了一种分层的由粗到精的流程，以捕获不同粒度的运动。此外，采用率失真优化来实现比特率消耗和表示保真度之间的最佳平衡。实验结果表明，ADC-GS在渲染速度上优于每个高斯基元形变的方法300%-800%，同时在不影响渲染质量的前提下，实现了最先进的存储效率。代码已发布在https://github.com/H-Huang774/ADC-GS.git。

🔬 方法详解

问题定义：现有4D高斯溅射方法主要依赖于对每个高斯基元进行独立的形变建模，从规范空间映射到目标帧。这种方法忽略了相邻高斯基元之间运动的关联性和冗余性，导致模型参数量大，训练和渲染效率低下，尤其是在处理复杂动态场景时表现不佳。因此，如何减少冗余，提高动态场景重建的效率和质量是本文要解决的核心问题。

核心思路：ADC-GS的核心思路是利用锚点（Anchor）来组织高斯基元，并采用分层（Hierarchical）的形变策略。通过锚点将相邻的、运动相似的高斯基元关联起来，从而减少需要独立建模的形变参数。分层形变策略则允许模型在不同粒度上捕获运动，先用粗粒度的形变捕获整体运动趋势，再用细粒度的形变补充细节，从而进一步减少冗余。

技术框架：ADC-GS的整体框架包含以下几个主要模块：1) 锚点生成与关联：在规范空间中生成锚点，并将高斯基元关联到最近的锚点。2) 基于时间显著性的锚点细化：根据时间序列中锚点的重要性，动态调整锚点的数量和位置。3) 分层形变建模：采用粗到精的形变建模流程，首先对锚点进行形变，然后将锚点的形变传递给关联的高斯基元，最后对每个高斯基元进行残差形变。4) 率失真优化：在训练过程中，通过率失真优化来平衡模型的大小和重建质量。

关键创新：ADC-GS的关键创新在于：1) 锚点驱动的结构：通过锚点将高斯基元组织起来，减少了需要独立建模的形变参数。2) 分层形变策略：允许模型在不同粒度上捕获运动，进一步减少了冗余。3) 率失真优化：在训练过程中平衡了模型的大小和重建质量。与现有方法相比，ADC-GS不再是对每个高斯基元进行独立的形变建模，而是通过锚点和分层策略来共享和传递形变信息，从而大大减少了冗余。

关键设计：ADC-GS的关键设计包括：1) 锚点数量的选择：通过实验确定合适的锚点数量，以平衡模型的表达能力和计算复杂度。2) 锚点细化策略：基于时间显著性来动态调整锚点的数量和位置，以适应不同的运动模式。3) 分层形变建模的具体实现：采用线性混合的方式将锚点的形变传递给关联的高斯基元，并使用残差网络来学习每个高斯基元的残差形变。4) 率失真损失函数的设计：将比特率和重建误差纳入损失函数，并通过调整权重来平衡两者。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ADC-GS在渲染速度上比现有的基于每个高斯基元形变的方法快300%-800%，同时实现了最先进的存储效率，且不影响渲染质量。具体而言，在多个动态场景数据集上，ADC-GS在保持相当的PSNR和SSIM指标的同时，显著降低了模型大小和渲染时间，证明了其在动态场景重建方面的优越性。

🎯 应用场景

ADC-GS在动态场景重建领域具有广泛的应用前景，例如虚拟现实/增强现实(VR/AR)、自动驾驶、机器人导航、电影特效制作等。它可以用于创建更真实、更高效的动态三维场景模型，提升用户体验，并为相关应用提供更准确的环境感知能力。未来，该技术有望进一步发展，应用于更大规模、更复杂的动态场景重建。

📄 摘要（原文）

Existing 4D Gaussian Splatting methods rely on per-Gaussian deformation from a canonical space to target frames, which overlooks redundancy among adjacent Gaussian primitives and results in suboptimal performance. To address this limitation, we propose Anchor-Driven Deformable and Compressed Gaussian Splatting (ADC-GS), a compact and efficient representation for dynamic scene reconstruction. Specifically, ADC-GS organizes Gaussian primitives into an anchor-based structure within the canonical space, enhanced by a temporal significance-based anchor refinement strategy. To reduce deformation redundancy, ADC-GS introduces a hierarchical coarse-to-fine pipeline that captures motions at varying granularities. Moreover, a rate-distortion optimization is adopted to achieve an optimal balance between bitrate consumption and representation fidelity. Experimental results demonstrate that ADC-GS outperforms the per-Gaussian deformation approaches in rendering speed by 300%-800% while achieving state-of-the-art storage efficiency without compromising rendering quality. The code is released at https://github.com/H-Huang774/ADC-GS.git.