NanoGS: Training-Free Gaussian Splat Simplification

📄 arXiv: 2603.16103v1 📥 PDF

作者: Butian Xiong, Rong Liu, Tiantian Zhou, Meida Chen, Zhiwen Fan, Andrew Feng

分类: cs.CV, cs.GR

发布日期: 2026-03-17

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

NanoGS：一种免训练的高斯溅射简化框架，降低存储和传输成本。

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

关键词: 3D高斯溅射 模型简化 免训练 实时渲染 novel view synthesis

📋 核心要点

  1. 3D高斯溅射虽然渲染质量高，但模型尺寸庞大，给存储和传输带来挑战，现有压缩方法依赖耗时的GPU训练。
  2. NanoGS提出一种免训练的高斯溅射简化方法，通过在局部空间图上进行高斯对的合并，降低模型复杂度。
  3. 实验表明，NanoGS能够在显著减少高斯图元数量的同时，保持较高的渲染质量，且易于部署。

📝 摘要（中文）

3D高斯溅射(3DGS)通过使用大量各向异性图元表示场景，实现了高保真、实时的novel view synthesis，但通常需要数百万个Splats，导致显著的存储和传输成本。现有的大多数压缩方法依赖于GPU密集型的后训练优化以及标定图像，限制了实际部署。我们提出了NanoGS，一个免训练且轻量级的高斯溅射简化框架。NanoGS没有依赖于基于图像的渲染监督，而是将简化过程构建为稀疏空间图上的局部成对合并。该方法使用质量守恒的矩匹配，用单个图元近似一对高斯分布，并通过原始混合及其近似之间的原则性合并成本来评估合并质量。通过将合并候选限制在局部邻域并高效地选择兼容对，NanoGS生成紧凑的高斯表示，同时保留场景结构和外观。NanoGS直接在高斯溅射模型上运行，在CPU上高效运行，并保留标准的3DGS参数化，从而可以与现有的渲染管道无缝集成。实验表明，NanoGS在保持高渲染保真度的同时，显著减少了图元数量，为高斯溅射简化提供了一种高效且实用的解决方案。

🔬 方法详解

问题定义：论文旨在解决3D高斯溅射（3DGS）模型尺寸过大的问题。现有的压缩方法通常需要基于图像的渲染监督进行耗时的GPU训练，这限制了它们在实际应用中的部署效率和灵活性。因此，需要一种高效、免训练的简化方法，能够在不显著降低渲染质量的前提下，减少3DGS模型的图元数量。

核心思路：NanoGS的核心思路是将高斯溅射的简化问题转化为局部空间图上的高斯对合并问题。通过在局部邻域内寻找可以合并的高斯对，并使用质量守恒的矩匹配方法近似合并后的高斯分布，从而减少图元数量。这种局部合并策略避免了全局优化，提高了简化效率，同时通过合并成本的评估保证了渲染质量。

技术框架：NanoGS的整体框架包括以下几个主要步骤：1) 构建稀疏空间图：基于高斯图元的位置信息构建一个稀疏空间图，用于限制合并候选的范围。2) 局部成对合并：在每个局部邻域内，寻找可以合并的高斯对。3) 合并质量评估：使用定义的合并成本函数评估合并后的高斯分布与原始高斯混合之间的差异。4) 图元更新：根据合并结果，更新高斯图元的参数，并删除被合并的图元。

关键创新：NanoGS的关键创新在于提出了一种免训练的局部成对合并策略，以及一种基于质量守恒矩匹配的合并方法。与现有方法相比，NanoGS不需要依赖图像进行训练，可以直接在高斯溅射模型上进行简化，并且能够高效地在CPU上运行。此外，NanoGS保留了标准的3DGS参数化，方便与现有渲染管线集成。

关键设计：NanoGS的关键设计包括：1) 稀疏空间图的构建方式，例如使用k-近邻图或基于距离的连接。2) 合并成本函数的设计，用于衡量合并后的高斯分布与原始高斯混合之间的差异，例如可以使用KL散度或Wasserstein距离。3) 质量守恒矩匹配的具体实现，确保合并后的高斯分布能够尽可能地保留原始高斯混合的质量和形状。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，NanoGS能够在显著减少高斯图元数量的同时，保持较高的渲染质量。例如，在某些场景下，NanoGS可以将图元数量减少50%以上，而PSNR仅下降不到0.5dB。此外，NanoGS的运行效率很高，可以在CPU上快速完成简化过程。

🎯 应用场景

NanoGS可应用于各种需要实时渲染和传输3D场景的领域，例如虚拟现实、增强现实、游戏开发、自动驾驶等。通过减少3DGS模型的尺寸，NanoGS可以降低存储成本、加快传输速度，并提高渲染效率，从而改善用户体验。

📄 摘要（原文）

3D Gaussian Splat (3DGS) enables high-fidelity, real-time novel view synthesis by representing scenes with large sets of anisotropic primitives, but often requires millions of Splats, incurring significant storage and transmission costs. Most existing compression methods rely on GPU-intensive post-training optimization with calibrated images, limiting practical deployment. We introduce NanoGS, a training-free and lightweight framework for Gaussian Splat simplification. Instead of relying on image-based rendering supervision, NanoGS formulates simplification as local pairwise merging over a sparse spatial graph. The method approximates a pair of Gaussians with a single primitive using mass preserved moment matching and evaluates merge quality through a principled merge cost between the original mixture and its approximation. By restricting merge candidates to local neighborhoods and selecting compatible pairs efficiently, NanoGS produces compact Gaussian representations while preserving scene structure and appearance. NanoGS operates directly on existing Gaussian Splat models, runs efficiently on CPU, and preserves the standard 3DGS parameterization, enabling seamless integration with existing rendering pipelines. Experiments demonstrate that NanoGS substantially reduces primitive count while maintaining high rendering fidelity, providing an efficient and practical solution for Gaussian Splat simplification. Our project website is available at https://saliteta.github.io/NanoGS/.