CC-4DGS 将动态 Gaussian Splatting 存储压缩至每场景 20—30 MB

arXiv 上发布了 CC-4DGS 的研究论文，其中提出了一种将动态 4D Gaussian Splatting 场景的存储体积从几十到几百兆字节减少到 20—30 MB 的方法。作者用具有确定性密集哈希编码和紧凑神经网络解码器的计算变形场替代了大型可训练哈希表，并通过条件自编码、选择性量化和残差码本压缩了点云的规范属性。据作者描述，重建质量与 Swift4D 相当，同时存储效率显著提高。代码已开源。详见 arXiv 上的文章。

这意味着什么

这条简讯涉及 Gaussian Splatting 和动态场景压缩，而非从图像生成 3D 模型的生成器。在我们 关于 AI 用于 3D 的板块 中，目前展示的是另一类工具——image-to-3d 生成器，CC-4DGS 与它们没有直接交集。 最相关的工具页面是 OpenLRM、Hunyuan3D（混元3D）2.1 和 TRELLIS——它们解决的是从单张图像生成静态 3D 模型的任务。它们都不处理 4D Gaussian Splatting，也不使用 CC-4DGS 中描述的变形或点云属性压缩机制。这些工具的参数表中没有关于场景存储或 Gaussian 属性压缩的字段，因此无法进行存储体积的比较。 对于处理动态场景和 Gaussian Splatting 的用户，CC-4DGS 可能作为一种在不损失实时渲染的情况下减少占用空间的方法而具有吸引力。对于使用我们指南中 3D 生成器的用户来说，这项工作目前既不会改变现有工具的要求，也不会改变其功能。