摘要
3D高斯点阵（3D Gaussian Splatting, 3DGS）作为一种新兴的视角合成框架，凭借其高保真度与快速渲染速度展现出巨大潜力。然而，庞大的高斯点数量及其相关属性对高效的压缩技术提出了迫切需求。值得注意的是，高斯点（或本文中的锚点，anchors）构成的点云具有稀疏且无序的特性，这给压缩带来了显著挑战。为应对这一问题，本文利用无序锚点与结构化哈希网格之间的内在关联，通过挖掘二者之间的互信息实现上下文建模，提出了一种基于哈希网格辅助上下文（Hash-grid Assisted Context, HAC）的高效压缩框架，用于构建高度紧凑的3DGS表示。本方法引入一个二值哈希网格，以建立连续的空间一致性，从而通过精心设计的上下文模型揭示锚点间的内在空间关系。为支持熵编码，我们采用高斯分布对每个量化属性的概率进行精确估计，并提出一种自适应量化模块，实现对属性的高精度量化，有效提升重建保真度。此外，我们还设计了一种自适应掩码策略，用于剔除无效的高斯点与锚点。尤为重要的是，本工作首次探索了基于上下文建模的3DGS表示压缩方法，在保证图像质量的同时，实现了相较于原始3DGS超过75倍的体积压缩比；相较于当前最优的3DGS压缩方法Scaffold-GS，仍可实现超过11倍的压缩优势。相关代码已开源，地址为：https://github.com/YihangChen-ee/HAC