Gradient-Driven Natural Selection for Compact 3D Gaussian Splatting
作者: Xiaobin Deng, Qiuli Yu, Changyu Diao, Min Li, Duanqing Xu
分类: cs.CV
发布日期: 2025-11-21
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出梯度驱动的自然选择方法，用于紧凑型3D高斯溅射，提升渲染质量。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯溅射 模型压缩 自然选择 梯度驱动 场景表示
📋 核心要点
- 3DGS虽然效果好，但参数量大，剪枝方法要么依赖人工设计，要么引入额外参数，效果不佳。
- 受自然选择启发，将生存压力建模为不透明度的正则化梯度场，通过优化梯度自主决定高斯函数的去留。
- 引入不透明度衰减技术，加速选择过程，同时保证剪枝效果，在15%预算下PSNR提升超过0.6dB。
📝 摘要（中文）
3D高斯溅射(3DGS)使用大量高斯基元来拟合场景，导致巨大的存储和计算开销。现有的剪枝方法依赖于手动设计的标准或引入额外的可学习参数，导致次优的结果。为了解决这个问题，我们提出了一种受自然选择启发的剪枝框架，该框架将生存压力建模为应用于不透明度的正则化梯度场，允许由最大化渲染质量的目标驱动的优化梯度自主地确定要保留或剪枝哪些高斯函数。这个过程是完全可学习的，不需要人工干预。我们进一步引入了一种具有有限不透明度先验的不透明度衰减技术，该技术加速了选择过程，而不会影响剪枝效果。与3DGS相比，我们的方法在15%的预算下实现了超过0.6 dB的PSNR增益，为紧凑型3DGS建立了最先进的性能。
🔬 方法详解
问题定义：3D高斯溅射（3DGS）通过大量高斯基元来表示场景，虽然渲染质量高，但存储和计算成本巨大。现有的剪枝方法主要存在两个问题：一是依赖人工设计的启发式规则，缺乏自适应性；二是引入额外的可学习参数，增加了模型复杂度，且剪枝效果往往不够理想。因此，如何在保证渲染质量的前提下，高效地压缩3DGS模型是一个重要的研究问题。
核心思路：本文的核心思路是模拟自然选择的过程，将高斯基元视为生物个体，将渲染质量视为生存环境。通过引入一个正则化梯度场，作用于高斯基元的不透明度，模拟生存压力。优化过程会驱动梯度自主地选择哪些高斯基元应该保留（适应环境），哪些应该被剪枝（不适应环境）。这种方法无需人工干预，完全依赖于优化目标，从而实现更有效的模型压缩。
技术框架：该方法主要包含以下几个关键模块：1) 初始化3DGS模型；2) 定义一个正则化梯度场，该梯度场与高斯基元的不透明度相关，模拟生存压力；3) 使用渲染损失函数和正则化梯度场共同驱动优化过程，优化过程中，不透明度较低的高斯基元会被逐渐剪枝；4) 引入不透明度衰减技术，加速剪枝过程。整体流程是一个端到端的训练过程，无需额外的后处理步骤。
关键创新：该方法最重要的创新点在于将自然选择的思想引入到3DGS的剪枝过程中。与传统方法相比，它不需要手动设计剪枝规则，而是通过优化梯度自主地学习哪些高斯基元是重要的。这种方法更加灵活和自适应，能够更好地平衡渲染质量和模型大小。此外，不透明度衰减技术的引入进一步提高了剪枝效率。
关键设计：正则化梯度场的设计是关键。具体来说，生存压力被建模为不透明度的负梯度，这意味着不透明度越低的高斯基元，受到的“惩罚”越大，更容易被剪枝。不透明度衰减技术通过引入一个有限的不透明度先验，使得不透明度更容易衰减到0，从而加速剪枝过程。损失函数由渲染损失（例如L1或L2损失）和正则化项组成，正则化项与不透明度的梯度相关，用于控制剪枝的强度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在保持甚至提升渲染质量的同时，显著减少了3DGS模型的参数量。在15%的参数预算下，该方法相比原始3DGS实现了超过0.6 dB的PSNR增益，并且优于其他现有的剪枝方法，达到了state-of-the-art的性能。这些结果验证了该方法在紧凑型3DGS方面的有效性。
🎯 应用场景
该研究成果可应用于各种需要高效3D场景表示和渲染的领域，例如虚拟现实、增强现实、自动驾驶、机器人导航等。通过减少3DGS模型的存储和计算开销，可以使其在资源受限的设备上运行，从而扩展其应用范围。此外，该方法还可以用于场景编辑和重建，为用户提供更灵活的3D内容创作工具。
📄 摘要（原文）
3DGS employs a large number of Gaussian primitives to fit scenes, resulting in substantial storage and computational overhead. Existing pruning methods rely on manually designed criteria or introduce additional learnable parameters, yielding suboptimal results. To address this, we propose an natural selection inspired pruning framework that models survival pressure as a regularization gradient field applied to opacity, allowing the optimization gradients--driven by the goal of maximizing rendering quality--to autonomously determine which Gaussians to retain or prune. This process is fully learnable and requires no human intervention. We further introduce an opacity decay technique with a finite opacity prior, which accelerates the selection process without compromising pruning effectiveness. Compared to 3DGS, our method achieves over 0.6 dB PSNR gain under 15\% budgets, establishing state-of-the-art performance for compact 3DGS. Project page https://xiaobin2001.github.io/GNS-web.