SplatQ: Interaction-Aware Pruning of 3D Gaussian Splatting via Quadratic Selection

📄 arXiv: 2610.13503v1 📥 PDF

作者: Hongbin Ye, Haixu Liu, Shenwei Kang, Wenxiu Wei, Tinglan Wang, Hongdong Zhu, Fan Tang, Qi Gao, Yin Ma, Kai Wen, Hai Wei, Nuo Qian, Wei-Shi Zheng, Shaobo Chen, Fa-Ting Hong, Jingke Meng

分类: cs.CV, cs.GR

发布日期: 2026-10-09

备注: Under review at ICLR 2027 (main paper 9 pages, 5 figures, 2 tables; appendix included)

💡 一句话要点

提出SplatQ以解决3D高斯点云剪枝中的区域预算控制问题

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

关键词: 3D高斯点云 剪枝算法 区域预算控制 联合选择 二次优化 计算机视觉 图形渲染

📋 核心要点

  1. 现有3D高斯点云剪枝方法在区域预算控制和联合删除效应方面存在不足，导致重建质量不均衡。
  2. SplatQ通过将高斯分区为大小有限的块，协调区域预算分配和联合选择，解决了上述问题。
  3. 实验结果表明，SplatQ在重建质量、空间质量平衡和渲染速度上均优于现有方法，验证了其有效性。

📝 摘要（中文）

现有的3D高斯点云剪枝方法主要依赖于基于独立重要性评分的全局Top-K选择，缺乏区域预算控制并忽视联合删除效应，导致场景重建质量不均衡。本文提出SplatQ，一种组合剪枝算法，协调区域预算分配和在固定预算下的联合高斯选择。SplatQ通过空间接近性和外观相似性将高斯分区为大小有限的块，将全局选择分解为特定大小的子问题。它平滑基于重要性的块保留配额，以防止预算过度集中。最后，利用代表性像素颜色对高斯不透明度变化的响应构建联合删除效应的二次近似，结合个体响应、成对交互和配额惩罚，形成二次无约束二进制优化（QUBO）目标，通过模拟退火或一致伊辛机解决联合高斯选择。实验表明，SplatQ在整体重建质量、空间质量平衡和渲染速度上均优于现有最先进的剪枝方法。

🔬 方法详解

问题定义：本文旨在解决现有3D高斯点云剪枝方法在区域预算控制和联合删除效应方面的不足。这些方法通常依赖于全局Top-K选择，导致重建质量在场景中不均衡。

核心思路：SplatQ的核心思路是将高斯分区为大小有限的块，通过协调区域预算分配和联合高斯选择，优化重建质量。该方法通过平滑块保留配额，避免了预算的过度集中。

技术框架：SplatQ的整体架构包括三个主要模块：首先是高斯的空间和外观分区；其次是基于重要性的块保留配额平滑；最后是构建二次近似的联合删除效应，并通过QUBO目标进行优化。

关键创新：SplatQ的主要创新在于其结合了区域预算控制和联合选择的能力，采用了二次无约束二进制优化（QUBO）方法，显著提升了高斯选择的质量。

关键设计：在设计中，SplatQ引入了基于重要性的块保留配额平滑机制，利用代表性像素颜色的响应来构建联合删除效应的二次近似，采用模拟退火或一致伊辛机进行求解。具体参数设置和损失函数的设计在实验中进行了验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SplatQ在5个基准测试上表现优异，整体重建质量提升了XX%，空间质量平衡性提高了XX%，渲染速度提升了XX%。这些结果表明，SplatQ在实际应用中具有显著的优势。

🎯 应用场景

SplatQ的研究成果在计算机视觉、图形渲染和机器人导航等领域具有广泛的应用潜力。通过提高3D高斯点云的重建质量和渲染速度，该方法能够在虚拟现实、增强现实和自动驾驶等场景中提供更高效的解决方案，推动相关技术的发展。

📄 摘要（原文）

Existing 3D Gaussian Splatting (3DGS) pruning methods primarily rely on global Top-K selection based on independent importance scores, lacking regional budget control and ignoring joint deletion effects. Consequently, they cannot ensure balanced reconstruction quality across a scene. We propose SplatQ, a combinatorial pruning algorithm that coordinates regional budget allocation and joint Gaussian selection under a fixed budget. SplatQ partitions Gaussians by spatial proximity and appearance similarity into size-limited blocks, decomposing global selection into subproblems of a specific size. It then smooths importance-based block retention quotas to prevent excessive budget concentration. Finally, it constructs a quadratic approximation of joint deletion effects using the responses of representative pixel colors to changes in Gaussian opacity. Individual responses, pairwise interactions, and quota penalties are incorporated into a quadratic unconstrained binary optimization (QUBO) objective, solved using simulated annealing (SA) or a coherent Ising machine (CIM) to jointly select Gaussians. Experiments on 5 benchmarks demonstrate that SplatQ outperforms state-of-the-art pruning methods in aggregate reconstruction quality, spatial quality balance, and rendering speed. Ablations confirm that budget smoothing improves local detail reconstruction, while interaction modeling improves Gaussian selection quality under a fixed budget.