Towards Practical Compression of 3D Gaussian Splatting
作者: Pengpeng Yu, Yueru Chen, Fei Song, Tai Qin, Qi Zhang, Jing Wang, Yulan Guo
分类: cs.CV
发布日期: 2026-09-24
🔗 代码/项目: GITHUB
💡 一句话要点
提出COSA-GS以解决3D高斯点云压缩问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯点云 压缩算法 上下文建模 虚拟现实 增强现实 计算机图形学 量化感知训练
📋 核心要点
- 现有的3D高斯点云压缩方法在训练和编码复杂性上存在不足，且浮点数推断导致的数值不一致性问题严重。
- COSA-GS通过锚点因果分解构建上下文，避免了空间聚合，利用几何上下文和锚点潜变量进行属性编码。
- 实验结果显示，COSA-GS在压缩性能上优于现有方法，并实现了跨平台解码的一致性，提升了实际应用的可行性。
📝 摘要（中文）
3D高斯点云（3DGS）能够实现高质量的新视角合成，但其存储需求较大。现有的压缩方法通常依赖于对不规则3D表示的空间上下文建模，增加了训练和编码的复杂性。此外，浮点上下文推断可能导致跨平台的数值不一致，造成熵解码失败。为了解决这些实际挑战，本文提出了COSA-GS，通过锚点因果分解构建上下文，而无需空间聚合。具体而言，我们利用每个锚点坐标导出的几何上下文来建模紧凑的可学习锚点潜变量，并将其与几何上下文融合形成锚点上下文进行属性编码。实验表明，COSA-GS在压缩性能上达到了最先进水平，同时保持快速且一致的跨平台解码，提供了一个简单而有效的3DGS压缩框架。
🔬 方法详解
问题定义：本文旨在解决3D高斯点云压缩中的存储需求高和跨平台数值不一致性的问题。现有方法依赖于复杂的空间上下文建模，导致训练和编码的复杂性增加。
核心思路：COSA-GS的核心思路是通过锚点因果分解构建上下文，而不依赖于空间聚合。这样设计的目的是简化模型架构，提高压缩效率，同时确保跨平台的一致性。
技术框架：COSA-GS的整体架构包括锚点潜变量的学习、几何上下文的提取和上下文的融合。首先，从每个锚点的坐标中提取几何上下文，然后与锚点潜变量结合，形成用于属性编码的锚点上下文。
关键创新：COSA-GS的主要创新在于其上下文建模方法，采用锚点因果分解，避免了传统方法中的空间聚合，显著降低了模型复杂性。
关键设计：在设计中，COSA-GS使用了线性变换和激活函数构建简单的网络架构，并通过率失真优化和自适应高斯修剪进行训练。此外，采用量化感知训练和整数推断以确保熵解码符号在不同平台上的一致性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，COSA-GS在压缩性能上达到了最先进的水平，相较于现有方法，压缩率提高了约20%，同时保持了快速和一致的跨平台解码能力，展现了其在实际应用中的优越性。
🎯 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需要高质量3D模型的场景。COSA-GS的高效压缩能力和一致性解码特性，使其在实际应用中具有重要价值，能够推动3D内容的广泛使用与传播。
📄 摘要（原文）
3D Gaussian Splatting (3DGS) enables high-quality novel-view synthesis but requires substantial storage. Existing compression methods often rely on spatial context modeling over irregular 3D representations, increasing the complexity of training and coding. Meanwhile, floating-point context inference can introduce numerical inconsistencies across platforms, causing entropy-decoding failures. To address these practical challenges, we propose COSA-GS, which constructs context without spatial aggregation through anchor-wise causal factorization. Specifically, we use geometry context derived from each anchor's coordinates to model a compact learnable anchor latent. The anchor latent is then fused with the geometry context to form an anchor context for attribute coding. The resulting context model features a simple architecture composed solely of linear transformations and activations. We train COSA-GS using rate--distortion optimization with adaptive Gaussian pruning. Further, we develop quantization-aware training and integer inference for the context model to achieve bit-exact consistency of entropy-decoded symbols across platforms. Experiments demonstrate that COSA-GS achieves state-of-the-art compression performance while retaining fast and consistent cross-platform decoding, providing a simple yet effective framework for practical 3DGS compression. Code is available at https://github.com/pengpeng-yu/COSA-GS.