CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation

📄 arXiv: 2609.08730v1 📥 PDF

作者: Bingxian Li, Yilong Li, Jingliang Peng, Peng-Shuai Wang, Fei Zhu, Guozheng Li, Chi Harold Liu, Guoping Wang, Bo Pang

分类: cs.CV

发布日期: 2026-09-08

💡 一句话要点

提出CVT-GS以解决3D高斯点简化问题

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

关键词: 3D高斯点云 简化技术 渲染优化 深度学习 计算机视觉 虚拟现实 增强现实

📋 核心要点

  1. 现有的3D高斯点云简化方法多为侵入性设计，限制了其在预训练模型上的应用。
  2. CVT-GS通过几何感知的重心Voronoi剖分构建空间一致单元，并利用神经网络合并高斯原语，简化过程不依赖于训练时的修改。
  3. 实验表明，CVT-GS在减少高斯点数量的同时，渲染速度提升12倍，PSNR提高1.3 dB，显示出显著的性能优势。

📝 摘要（中文）

3D高斯点云表示（3DGS）在实时新视图合成中表现出色，但高保真场景的渲染通常依赖大量高斯原语，导致存储和计算开销巨大。现有简化技术大多具有侵入性，需在训练时进行修剪、架构修改或场景特定的微调，限制了其在预训练模型上的应用。本文提出CVT-GS，一种优化无关的后处理简化框架，能够在不牺牲视觉保真的情况下直接压缩训练好的3DGS场景。该方法通过几何感知的重心Voronoi剖分（CVT）构建高斯中心的空间一致单元，随后利用轻量级神经单元合并器在可微渲染监督下预测每个单元的几何形状和外观。实验结果表明，CVT-GS在高斯点减少100倍的情况下，速度比最先进的方法快12倍，同时PSNR提升1.3 dB。

🔬 方法详解

问题定义：本文旨在解决3D高斯点云表示（3DGS）在高保真场景渲染中所面临的存储和计算开销过大的问题。现有简化方法通常需要在训练阶段进行修剪或微调，限制了其灵活性和适用性。

核心思路：CVT-GS的核心思路是通过几何感知的重心Voronoi剖分（CVT）构建空间一致的单元，并在此基础上利用轻量级神经网络进行高斯原语的合并，从而实现高效的后处理简化。

技术框架：该方法首先通过CVT将高斯中心划分为多个空间单元，然后使用神经网络合并器在可微渲染的监督下，预测每个单元的几何形状和外观，最终输出简化后的3DGS场景。

关键创新：CVT-GS的主要创新在于将简化过程视为一种渲染感知的多对一合并过程，而非简单的原语修剪。这一设计使得简化后的场景能够与现有渲染器无缝兼容。

关键设计：在技术细节上，CVT的构建依赖于几何感知，确保了单元的空间一致性；神经网络合并器的设计则注重轻量化，以提高处理速度和效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，CVT-GS实现了高达100倍的高斯点减少，同时渲染速度比最先进的方法快12倍，PSNR提升1.3 dB。这些结果表明，CVT-GS在保持视觉质量的同时，显著提高了渲染效率，展示了其在实际应用中的潜力。

🎯 应用场景

CVT-GS的研究成果在实时渲染、虚拟现实和增强现实等领域具有广泛的应用潜力。通过有效简化3D高斯点云表示，该方法能够降低存储需求和计算负担，从而提升用户体验和系统性能。未来，该技术可能在游戏开发、影视制作以及科学可视化等多个领域发挥重要作用。

📄 摘要（原文）

While 3D Gaussian Splatting (3DGS) has emerged as a powerful representation for real-time novel view synthesis, rendering high-fidelity scenes often relies on a massive number of Gaussian primitives, incurring substantial storage and computational overhead. Existing simplification techniques are largely intrusive, requiring training-time pruning, architectural modifications, or computationally expensive per-scene fine-tuning. These drawbacks limit their deployment on off-the-shelf pretrained models. In this paper, we propose CVT-GS, a novel optimization-free post-hoc simplification framework that directly compresses trained 3DGS scenes without sacrificing visual fidelity. Our approach first constructs spatially coherent cells over Gaussian centers via a geometry-aware Centroidal Voronoi Tessellation (CVT). Subsequently, a lightweight neural cell merger predicts the geometry and appearance of a single, highly representative Gaussian primitive for each cell under differentiable rendering supervision. By formulating simplification as a rendering-aware many-to-one merging process rather than naive primitive pruning, CVT-GS outputs a standard 3DGS scene that is seamlessly compatible with existing renderers. Experiments on various datasets demonstrate the superiority of our method. Notably, when achieving a 100-fold reduction in Gaussian points, our method operates 12 times faster than state-of-the-art methods while improving the PSNR by 1.3 dB.