EvoGS: Constructing Continuous-Layered Gaussian Splatting with Evolution Tree for Scalable 3D Streaming
作者: Yuang Shi, Simone Gasparini, Géraldine Morin, Wei Tsang Ooi
分类: cs.CV, cs.MM, eess.IV
发布日期: 2026-06-05
备注: Project page: https://yuang-ian.github.io/evogs/
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出EvoGS以解决3D流媒体中的冗余和质量过渡问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D流媒体 高斯点云 连续分层 进化树 实时渲染 点云压缩 质量过渡
📋 核心要点
- 现有的渐进方法依赖离散分层，导致层间结构独立性引发错误累积和点云冗余。
- EvoGS通过进化树结构实现连续分层，利用波形启发的细化机制生成更细致的细节。
- 实验结果显示，EvoGS显著降低了点云冗余，并减少了传输负载和GPU内存占用。
📝 摘要（中文）
流媒体3D高斯点云渲染需要高度可扩展和渐进的表示。现有的渐进方法依赖于离散分层，导致层间结构独立性引发错误累积和严重的点云冗余。本文提出EvoGS，首个连续分层表示，通过进化树结构生成更细致的细节，利用波形启发的父子细化机制，子节点能够纠正祖先错误，产生稀疏且高度可压缩的层间信号。实验表明，EvoGS将点云冗余从65%以上降低至25%以下，传输负载和GPU VRAM占用分别减少了2.4倍和5.5倍，实现了实时自适应流媒体的平滑质量过渡。
🔬 方法详解
问题定义：本文旨在解决流媒体3D高斯点云渲染中的冗余和质量过渡问题。现有方法的离散分层导致了层间结构独立性，造成错误累积和点云冗余，影响了渲染质量和效率。
核心思路：EvoGS提出了一种连续分层表示，通过进化树结构生成更细致的细节。其核心思想是利用波形启发的父子细化机制，使得子节点能够纠正祖先节点的错误，从而提高整体表示的质量和压缩效率。
技术框架：EvoGS的整体架构包括进化树的构建、细化过程和层间信号的生成。首先，构建进化树以组织不同层次的细节；然后，通过父子节点的关系进行细化，生成更高质量的点云表示。
关键创新：EvoGS的最重要创新在于其连续分层表示的设计，打破了传统离散分层的局限，使得层间信号更加稀疏和可压缩。这一设计显著减少了冗余，提高了流媒体传输的效率。
关键设计：在EvoGS中，关键参数包括细化的层数、波形启发的细化策略以及损失函数的设计，确保了细化过程的有效性和高效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，EvoGS将点云冗余从65%以上降低至25%以下，传输负载减少了2.4倍，GPU VRAM占用减少了5.5倍。这些结果显示了EvoGS在流媒体3D渲染中的显著优势，尤其是在实时自适应流媒体场景下的平滑质量过渡。
🎯 应用场景
EvoGS在实时3D流媒体应用中具有广泛的潜在应用价值，例如虚拟现实、增强现实和在线游戏等领域。其高效的点云表示和传输机制能够显著提升用户体验，支持更高质量的实时渲染和交互。未来，EvoGS有望推动3D内容的更广泛应用与发展。
📄 摘要（原文）
Streaming 3D Gaussian Splatting requires highly scalable, progressive representations. Existing progressive methods rely on \textit{discrete layering}, accumulating separate splat sets for each level of detail. This structural independence between layers inherently leads to error accumulation, severe splat redundancy, and uncontrolled quality transitions. We propose EvoGS, the first \textit{continuous-layering} representation. Organized as an Evolution Tree, EvoGS generates finer details via an explicit, wavelet-inspired parent-child refinement. This empowers child nodes to structurally correct ancestral errors, yield inherently sparse and highly compressible inter-layer signals. Extensive experiments show EvoGS eliminates splat redundancy from over 65\% to under 25\%. Compared to state-of-the-art baselines, it reduces transmission payload and GPU VRAM footprint by up to 2.4$\times$ and 5.5$\times$, respectively, and achieves smooth quality transitions optimal for real-time adaptive streaming. Project page: https://yuang-ian.github.io/evogs/