HAC: Hash-Grid-basierte Contextualisierung für die Kompression von 3D-Gaussian Splatting

3D-Gauß-Splatting (3DGS) hat sich als vielversprechender Ansatz für die Synthese neuer Ansichten erwiesen und zeichnet sich durch eine hohe Bildqualität und eine schnelle Darstellungsgeschwindigkeit aus. Dennoch erfordern die zahlreichen Gauß-Elemente sowie deren zugehörige Attribute effektive Kompressionsverfahren. Die spärliche und unstrukturierte Natur der Punktwolke aus Gauß-Elementen (bzw. Anchors in unserer Arbeit) stellt jedoch erhebliche Herausforderungen für die Kompression dar. Um diesem Problem zu begegnen, nutzen wir die Beziehungen zwischen den unstrukturierten Anchors und dem strukturierten Hash-Grid, indem wir deren gegenseitige Information zur Kontextmodellierung heranziehen, und stellen einen Hash-Grid-assistierten Kontext (HAC)-Ansatz für eine hochkomprimierte Darstellung von 3DGS vor. Unser Ansatz führt ein binäres Hash-Grid ein, um kontinuierliche räumliche Konsistenzen herzustellen, wodurch wir mittels eines sorgfältig entworfenen Kontextmodells die inhärenten räumlichen Beziehungen der Anchors aufdecken können. Zur Unterstützung der Entropiekodierung verwenden wir Gauß-Verteilungen, um die Wahrscheinlichkeit jedes quantisierten Attributs präzise zu schätzen; hierbei wird ein adaptiver Quantisierungsmodul vorgeschlagen, das eine hochpräzise Quantisierung dieser Attribute ermöglicht und somit die Wiederherstellung der Bildqualität verbessert. Zudem integrieren wir eine adaptive Maskierungsstrategie, um ungültige Gauß-Elemente und Anchors zu eliminieren. Wichtig ist, dass unsere Arbeit die erste ist, die kontextbasierte Kompression für 3DGS-Darstellungen erforscht. Dadurch erreichen wir eine bemerkenswerte Kompressionsrate von über $75\times$ im Vergleich zur ursprünglichen 3DGS-Implementierung und gleichzeitig eine verbesserte Bildqualität. Zudem erreichen wir eine Kompression von mehr als $11\times$ gegenüber dem derzeitigen Stand der Technik in der 3DGS-Kompression, dem Ansatz Scaffold-GS. Unser Code ist hier verfügbar: https://github.com/YihangChen-ee/HAC