MesonGS++: Post-training Compression of 3D Gaussian Splatting with Hyperparameter Searching

📄 arXiv: 2604.26799v1 📥 PDF

作者: Shuzhao Xie, Junchen Ge, Weixiang Zhang, Jiahang Liu, Chen Tang, Yunpeng Bai, Shijia Ge, Jingyan Jiang, Yuzhi Huang, Fengnian Yang, Cong Zhang, Xiaoyi Fan, Zhi Wang

分类: cs.CV, cs.GR, cs.MM

发布日期: 2026-04-29

备注: https://github.com/mmlab-sigs/mesongs_plus

🔗 代码/项目: GITHUB

💡 一句话要点

MesonGS++：通过超参数搜索实现3D高斯溅射的后训练压缩，显著降低存储成本。

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

关键词: 3D高斯溅射 模型压缩 后训练量化 超参数优化 率失真优化

📋 核心要点

  1. 3D高斯溅射虽然渲染质量高，但存储成本高昂，限制了其应用。
  2. MesonGS++通过联合优化剪枝、量化等步骤的超参数，在给定存储预算下实现最佳率失真权衡。
  3. 实验表明，MesonGS++在显著压缩的同时，甚至可以超越原始3DGS的性能。

📝 摘要（中文）

3D高斯溅射(3DGS)实现了高质量的新视角合成和实时渲染，但其存储成本对于实际部署来说仍然过高。现有的后训练压缩方法仍然依赖于剪枝、变换、量化和熵编码等多个耦合的超参数，难以控制最终的压缩大小并充分利用率失真权衡。我们提出了MesonGS++，一种用于3D高斯压缩的大小感知后训练编解码器。在编解码器方面，MesonGS++结合了基于联合重要性的剪枝、八叉树几何编码、属性变换、用于更高阶球谐函数的选择性矢量量化以及具有熵编码的分组混合精度量化。在配置方面，它将保留率和位宽分配视为主要的率失真控制旋钮，并通过离散采样和0-1整数线性规划在目标存储预算下联合优化它们。我们进一步提出了一个线性大小估计器和一个CUDA并行量化算子来加速超参数搜索过程。大量实验表明，MesonGS++在保持渲染保真度的同时实现了超过34倍的压缩，优于最先进的后训练方法，并准确地满足了目标大小预算。值得注意的是，在没有任何训练的情况下，MesonGS++甚至可以在Stump场景上以20倍的压缩率超过原始3DGS的PSNR。我们的代码可在https://github.com/mmlab-sigs/mesongs_plus获得。

🔬 方法详解

问题定义：3D高斯溅射(3DGS)虽然在新视角合成任务中表现出色，但其存储空间占用大，不利于实际部署。现有的后训练压缩方法依赖于多个耦合的超参数（如剪枝率、量化比特数等），难以在压缩率和渲染质量之间取得平衡，也难以精确控制压缩后的模型大小。

核心思路：MesonGS++的核心思路是将压缩过程中的超参数优化问题转化为一个在目标存储预算下的率失真优化问题。通过将保留率和位宽分配作为主要的控制旋钮，并使用离散采样和整数线性规划来联合优化这些参数，从而在满足存储大小限制的同时，最大化渲染质量。

技术框架：MesonGS++的整体框架包含两个主要部分：编解码器和超参数搜索。编解码器负责执行实际的压缩操作，包括基于重要性的剪枝、八叉树几何编码、属性变换、选择性矢量量化和分组混合精度量化等。超参数搜索部分则负责寻找最优的超参数配置，以满足目标存储预算并最大化渲染质量。该部分使用线性大小估计器和CUDA并行量化算子来加速搜索过程。

关键创新：MesonGS++的关键创新在于其大小感知的超参数搜索策略。它将压缩过程中的多个超参数（如剪枝率、量化比特数等）视为可调节的旋钮，并通过优化这些旋钮来满足目标存储预算。此外，线性大小估计器和CUDA并行量化算子的引入显著加速了超参数搜索过程。

关键设计：MesonGS++的关键设计包括：1) 基于联合重要性的剪枝，根据高斯点的贡献度进行剪枝；2) 八叉树几何编码，高效地表示高斯点的位置信息；3) 选择性矢量量化，对高阶球谐函数进行矢量量化以提高压缩率；4) 分组混合精度量化，根据不同属性的重要性分配不同的量化比特数；5) 线性大小估计器，用于快速估计不同超参数配置下的模型大小；6) CUDA并行量化算子，加速量化过程。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MesonGS++在多个数据集上实现了显著的压缩效果。实验结果表明，MesonGS++可以在保持渲染质量的同时，实现超过34倍的压缩率，并且优于现有的后训练压缩方法。更令人惊讶的是，在Stump场景上，MesonGS++在20倍压缩率下甚至超过了原始3DGS的PSNR，表明该方法不仅可以减小模型大小，还可以提高渲染质量。

🎯 应用场景

MesonGS++可应用于各种需要高效存储和传输3D场景的领域，例如移动端的增强现实(AR)应用、虚拟现实(VR)环境、自动驾驶中的场景重建、以及在线3D模型展示等。通过降低3DGS模型的存储需求，可以使其更容易部署在资源受限的设备上，并提高传输效率，从而推动3DGS技术在更广泛的场景中应用。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) achieves high-quality novel view synthesis with real-time rendering, but its storage cost remains prohibitive for practical deployment. Existing post-training compression methods still rely on many coupled hyperparameters across pruning, transformation, quantization, and entropy coding, making it difficult to control the final compressed size and fully exploit the rate-distortion trade-off. We propose MesonGS++, a size-aware post-training codec for 3D Gaussian compression. On the codec side, MesonGS++ combines joint importance-based pruning, octree geometry coding, attribute transformation, selective vector quantization for higher-degree spherical harmonics, and group-wise mixed-precision quantization with entropy coding. On the configuration side, it treats the reserve ratio and bit-width allocation as the dominant rate-distortion knobs and jointly optimizes them under a target storage budget via discrete sampling and 0--1 integer linear programming. We further propose a linear size estimator and a CUDA parallel quantization operator to accelerate the hyperparameter searching process. Extensive experiments show that MesonGS++ achieves over 34$\times$ compression while preserving rendering fidelity, outperforming state-of-the-art post-training methods and accurately meeting target size budgets. Remarkably, without any training, MesonGS++ can even surpass the PSNR of vanilla 3DGS at a 20$\times$ compression rate on the Stump scene. Our code is available at https://github.com/mmlab-sigs/mesongs_plus