神经辐射场（Neural Radiance Fields, NeRFs）在高保真度捕捉复杂三维场景方面展现了巨大潜力。然而，阻碍其广泛应用的一个持续性挑战是基于体素渲染（volumetric rendering）所带来的计算瓶颈。另一方面，三维高斯溅射（3D Gaussian Splatting, 3DGS）作为一种新兴的替代表示方法，采用基于三维高斯的显式表示，并借助光栅化流水线进行图像渲染，而非传统的体素渲染，从而实现了极快的渲染速度和令人期待的图像质量。然而，3DGS的一个显著缺陷在于，为保持渲染图像的高保真度，需使用大量三维高斯点，导致对内存和存储空间的需求显著增加。针对这一关键问题，本文聚焦于两个核心目标：在不牺牲性能的前提下显著减少高斯点的数量，同时对高斯属性（如视角依赖的颜色和协方差）进行高效压缩。为此，我们提出了一种可学习的掩码策略（learnable mask strategy），能够大幅削减高斯点数量，同时保持优异的渲染性能。此外，我们引入了一种基于网格的神经场（grid-based neural field）来表示视角依赖的颜色，替代传统依赖球谐函数（spherical harmonics）的方法，实现了更紧凑且有效的颜色建模。最后，我们通过向量量化（vector quantization）学习码本（codebooks），对高斯的几何属性进行紧凑表示。结合量化（quantization）与熵编码（entropy coding）等模型压缩技术，我们的方法在保持场景表示质量的前提下，相较原始3DGS实现了超过25倍的存储空间压缩，并显著提升了渲染速度。本工作构建了一个完整的三维场景表示框架，兼顾高性能、快速训练、紧凑存储与实时渲染能力。项目主页详见：https://maincold2.github.io/c3dgs/。