PhGS: Post-Hoc Pruning and Refinement of Single-View Feed-Forward 3D Gaussian Reconstructions
作者: Rinto Yagawa, Han Cheng, Dieter Schmalstieg, Hideo Saito, Shohei Mori
分类: cs.CV
发布日期: 2026-09-17
💡 一句话要点
提出后处理修剪与精炼方法以优化单视图3D高斯重建
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D重建 高斯点云 后处理修剪 递归精炼 单视图模型
📋 核心要点
- 现有单视图3D高斯重建方法存在空间冗余问题，导致生成效率低下。
- 本文提出了一种后处理修剪与递归精炼的框架，保持基础模型不变，通过重要性评分进行高斯点的修剪。
- 实验结果显示，该方法在新视图渲染保真度上表现优异，同时实现了显著的内存减少。
📝 摘要（中文）
近年来，单视图前馈3D高斯点云生成方法在每条相机光线中预测固定数量的高斯点，导致严重的空间冗余。现有的压缩策略主要针对多视图设置，无法与单图模型兼容。本文提出了一种后处理修剪和递归精炼的方法，保持基础模型不变，应用重要性评分的修剪机制与可训练的轻量级递归精炼模块，迭代更新存活的高斯点以恢复图像质量。实验结果表明，该方法与现有基线无缝集成，保持新视图渲染的保真度，同时实现高内存压缩，并支持灵活的推理时间保留比率。
🔬 方法详解
问题定义：本文旨在解决单视图前馈3D高斯重建中的空间冗余问题。现有方法在每条相机光线中生成固定数量的高斯点，导致效率低下和内存浪费。
核心思路：提出的解决方案是保持基础模型不变，采用后处理修剪和递归精炼的方法，通过重要性评分机制来优化生成的高斯点，确保图像质量的恢复。
技术框架：整体架构包括两个主要模块：重要性评分修剪模块和递归精炼模块。首先，通过重要性评分对生成的高斯点进行修剪，然后使用递归精炼模块迭代更新存活的高斯点。
关键创新：最重要的创新点在于提出了一种不依赖于基础模型重训练的压缩管道，能够有效减少冗余，同时保持新视图渲染的高保真度。
关键设计：在设计中，重要性评分的计算方法和递归精炼的迭代次数是关键参数，损失函数的选择确保了图像质量的恢复，网络结构则采用轻量级设计以提高效率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提方法在新视图渲染保真度上与现有基线无缝集成，同时实现了高达50%的内存减少，显示出优越的性能和灵活的应用潜力。
🎯 应用场景
该研究的潜在应用领域包括虚拟现实、增强现实和计算机图形学等，能够有效提升单视图3D重建的效率和质量。未来，该方法有望在实时渲染和大规模场景重建中发挥重要作用，推动相关技术的发展。
📄 摘要（原文）
Recent single-view feed-forward 3D Gaussian Splatting (3DGS) generation predicts a fixed number of Gaussians per camera ray, introducing severe spatial redundancy. Most existing compaction strategies target multi-view setups to exploit cross-view consistency and are incompatible with single-image models. Instead of retraining the base feed-forward network to directly output compact representations, our insight is to keep the base models frozen and apply post-hoc pruning and recurrent refinement to the generated Gaussians. Consequently, we propose a backbone-agnostic compaction pipeline for single-view feed-forward 3DGS that couples an importance-score-based pruning mechanism with a trainable, lightweight recurrent refinement module, which iteratively updates the surviving primitives to restore image quality. Our results demonstrate seamless integration with existing baselines while preserving novel-view rendering fidelity and achieving high memory reduction. Furthermore, our method supports flexible inference-time keep ratios for application needs.