OT-UVGS: Revisiting UV Mapping for Gaussian Splatting as a Capacity Allocation Problem

📄 arXiv: 2604.19127v1 📥 PDF

作者: Byunghyun Kim

分类: cs.GR

发布日期: 2026-04-21

备注: Accepted to Eurographics 2026 Short Papers

💡 一句话要点

提出OT-UVGS，通过最优传输优化UVGS容量分配，提升渲染质量。

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

关键词: 高斯溅射 UV映射 最优传输 容量分配 三维重建

📋 核心要点

  1. 现有UVGS方法采用确定性球面投影进行高斯映射，忽略全局分布，导致UV空间利用率低，易冲突。
  2. OT-UVGS将UV映射视为容量分配问题，利用最优传输思想全局优化高斯到UV空间的映射。
  3. 实验表明，OT-UVGS在多个数据集上显著提升了PSNR、SSIM和LPIPS等指标，并提高了UV空间的利用率。

📝 摘要（中文）

UV参数化高斯溅射(UVGS)将非结构化的3D高斯集合映射到规则的UV张量，从而实现紧凑的存储和对表示容量的显式控制。然而，现有的UVGS使用确定性的球面投影将高斯分配到UV位置。由于这种映射忽略了全局高斯分布，它经常使许多UV槽为空，同时在密集区域造成频繁的冲突。本文将UV映射重新解释为固定UV预算下的容量分配问题，并提出了OT-UVGS，一种轻量级的、可分离的、受最优传输启发的映射，它全局耦合分配，同时保留原始的UVGS表示。该方法通过基于排序实现，对于N个高斯，其复杂度为O(N log N)，并且可以作为球面UVGS的直接替代品。在184个以对象为中心的场景和Mip-NeRF数据集上，在相同的UV分辨率和每个槽的容量(K=1)下，OT-UVGS始终提高峰值信噪比(PSNR)、结构相似性(SSIM)和学习的感知图像块相似性(LPIPS)。这些增益伴随着显著更好的UV利用率，包括更高的非空槽比例、更少的冲突和更高的Gaussian保留率。结果表明，仅重新审视映射就可以释放UVGS的很大一部分潜在容量。

🔬 方法详解

问题定义：现有的UVGS方法使用确定性的球面投影将3D高斯映射到2D UV空间，这种方法没有考虑全局的高斯分布，导致UV空间利用率不均衡，在某些区域过于拥挤，而在另一些区域则空闲，从而限制了UVGS的表达能力。

核心思路：OT-UVGS的核心思想是将UV映射问题重新定义为一个容量分配问题，即如何在给定的UV空间预算下，将3D高斯有效地分配到UV空间中，使得UV空间的利用率最大化，同时减少高斯之间的冲突。为了解决这个问题，论文借鉴了最优传输(Optimal Transport)的思想，通过全局优化高斯到UV空间的映射，使得整体的分配方案更加合理。

技术框架：OT-UVGS的整体框架可以分为以下几个步骤：1) 对3D高斯进行排序；2) 对UV空间进行离散化；3) 使用最优传输的思想，计算高斯到UV空间的映射关系；4) 将高斯映射到UV空间。该方法是可分离的，即可以分别在U和V两个维度上进行优化，从而降低计算复杂度。

关键创新：OT-UVGS的关键创新在于将UV映射问题重新定义为容量分配问题，并利用最优传输的思想进行全局优化。与现有的确定性映射方法相比，OT-UVGS能够更好地利用UV空间，减少高斯之间的冲突，从而提高UVGS的表达能力。此外，该方法具有较低的计算复杂度，可以作为现有UVGS方法的直接替代品。

关键设计：OT-UVGS的关键设计包括：1) 使用基于排序的方法实现最优传输，降低计算复杂度；2) 设计可分离的优化方案，进一步降低计算复杂度；3) 使用简单的损失函数，使得优化过程更加稳定。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，OT-UVGS在184个以对象为中心的场景和Mip-NeRF数据集上，在相同的UV分辨率和每个槽的容量(K=1)下，始终提高峰值信噪比(PSNR)、结构相似性(SSIM)和学习的感知图像块相似性(LPIPS)。例如，在某些场景下，PSNR提升超过1dB，同时UV空间的利用率也显著提高。

🎯 应用场景

OT-UVGS可应用于三维重建、新视角合成、虚拟现实等领域。通过更有效地利用UV空间，可以实现更紧凑、更高质量的三维场景表示，从而降低存储和传输成本，并提升渲染效果。该方法还有潜力应用于其他基于UV参数化的三维表示方法。

📄 摘要（原文）

UV-parameterized Gaussian Splatting (UVGS) maps an unstructured set of 3D Gaussians to a regular UV tensor, enabling compact storage and explicit control of representation capacity. Existing UVGS, however, uses a deterministic spherical pro- jection to assign Gaussians to UV locations. Because this mapping ignores the global Gaussian distribution, it often leaves many UV slots empty while causing frequent collisions in dense regions. We reinterpret UV mapping as a capacity-allocation problem under a fixed UV budget and propose OT-UVGS, a lightweight, separable one-dimensional optimal-transport-inspired mapping that globally couples assignments while preserving the original UVGS representation. The method is implemented with rank-based sorting, has O(N log N) complexity for N Gaussians, and can be used as a drop-in replacement for spherical UVGS. Across 184 object-centric scenes and the Mip-NeRF dataset, OT-UVGS consistently improves peak signal-to-noise ratio (PSNR), structural similarity (SSIM), and Learned Perceptual Image Patch Similarity (LPIPS) under the same UV resolution and per-slot capacity (K=1). These gains are accompanied by substantially better UV utilization, including higher non-empty slot ratios, fewer collisions, and higher Gaussian retention. Our results show that revisiting the mapping alone can unlock a significant fraction of the latent capacity of UVGS.