Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives
作者: Haoran Wang, Guoxi Huang, Fan Zhang, David Bull, Nantheera Anantrasirichai
分类: cs.CV
发布日期: 2026-02-27
备注: CVPR2026
💡 一句话要点
提出自适应剪枝与差分高斯基元的紧凑3D高斯溅射方法，提升渲染质量并显著降低模型尺寸。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯溅射 场景表示 模型压缩 自适应剪枝 差分高斯 实时渲染 神经渲染 重建质量
📋 核心要点
- 3D高斯溅射(3DGS)虽然实现了高质量的实时渲染，但需要大量图元，导致冗余和高资源消耗。
- 论文提出一种重建感知的自适应剪枝策略和3D差分高斯基元，旨在减少冗余并保持视觉质量。
- 实验表明，该方法显著提高了模型紧凑性，高斯函数数量减少高达90%，同时保持或提升了视觉质量。
📝 摘要（中文）
本文提出了一种高效的、集成重建感知的剪枝策略，该策略基于重建质量自适应地确定剪枝时机和优化间隔，从而在减少模型大小的同时提高渲染质量。此外，我们引入了一种3D差分高斯基元，它在单个基元中联合建模正密度和负密度，从而提高了紧凑配置下高斯函数的表达能力。我们的方法显著提高了模型的紧凑性，在实现与最先进方法相似或在某些情况下更好的视觉质量的同时，高斯函数数量最多可减少90%。代码将公开。
🔬 方法详解
问题定义：现有3D高斯溅射方法为了达到高保真度，通常需要大量的3D高斯基元，这导致了模型冗余，增加了存储和计算成本，限制了其在复杂或大规模场景中的应用。因此，如何在保证渲染质量的前提下，减少3D高斯基元的数量，是本文要解决的核心问题。
核心思路：本文的核心思路是通过自适应的剪枝策略和更具表达能力的3D高斯基元来减少冗余。自适应剪枝策略能够根据重建质量动态调整剪枝的时机和频率，避免过度剪枝导致的信息丢失。而3D差分高斯基元则能够用更少的基元表示更复杂的场景结构。
技术框架：该方法主要包含两个关键模块：自适应剪枝模块和基于差分高斯基元的表示模块。自适应剪枝模块根据渲染结果与真实值的差异（例如，使用PSNR等指标）来决定何时进行剪枝，以及剪枝的力度。基于差分高斯基元的表示模块则使用差分高斯函数来建模场景中的正负密度，从而提高单个基元的表达能力。这两个模块协同工作，共同实现模型压缩和渲染质量的提升。
关键创新：该方法最重要的创新点在于：1) 提出了一种重建感知的自适应剪枝策略，能够动态地调整剪枝过程，避免了传统固定阈值剪枝方法的局限性。2) 引入了3D差分高斯基元，通过联合建模正负密度，提高了单个基元的表达能力，从而减少了所需的基元数量。与现有方法相比，该方法能够更有效地平衡模型大小和渲染质量。
关键设计：在自适应剪枝策略中，关键在于确定合适的重建质量评估指标和剪枝阈值。论文可能使用了PSNR、SSIM等指标来评估重建质量，并根据这些指标的变化动态调整剪枝阈值。在差分高斯基元的设计中，关键在于如何有效地建模正负密度，以及如何将这些密度信息融入到渲染过程中。具体的损失函数可能包含渲染损失、正则化损失等，用于优化高斯基元的参数。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在保持甚至提升视觉质量的同时，能够显著减少3D高斯基元的数量，最高可达90%。与现有最先进的方法相比，该方法在模型大小和渲染质量之间取得了更好的平衡。具体的性能数据（例如PSNR、SSIM等指标）和对比基线需要在论文中查找。
🎯 应用场景
该研究成果可广泛应用于虚拟现实、增强现实、游戏开发、自动驾驶等领域。通过减少3D场景的存储空间和计算需求，可以使这些应用在移动设备或资源受限的平台上运行更加流畅。此外，该方法还可以用于大规模场景的快速重建和渲染，例如城市建模、室内导航等。
📄 摘要（原文）
Recent significant advances in 3D scene representation have been driven by 3D Gaussian Splatting (3DGS), which has enabled real-time rendering with photorealistic quality. 3DGS often requires a large number of primitives to achieve high fidelity, leading to redundant representations and high resource consumption, thereby limiting its scalability for complex or large-scale scenes. Consequently, effective pruning strategies and more expressive primitives that can reduce redundancy while preserving visual quality are crucial for practical deployment. We propose an efficient, integrated reconstruction-aware pruning strategy that adaptively determines pruning timing and refining intervals based on reconstruction quality, thus reducing model size while enhancing rendering quality. Moreover, we introduce a 3D Difference-of-Gaussians primitive that jointly models both positive and negative densities in a single primitive, improving the expressiveness of Gaussians under compact configurations. Our method significantly improves model compactness, achieving up to 90\% reduction in Gaussian-count while delivering visual quality that is similar to, or in some cases better than, that produced by state-of-the-art methods. Code will be made publicly available.