CompGS : Splattage Gaussien plus petit et plus rapide grâce à la quantification vectorielle

Le Splatting Gaussien 3D (3DGS) est une nouvelle méthode pour modéliser et rendre des champs de radiance 3D, offrant des temps d’apprentissage et de rendu bien plus rapides que les méthodes NeRF de pointe (SOTA). Toutefois, cette approche présente un inconvénient majeur : elle nécessite une mémoire de stockage bien plus importante que les méthodes NeRF, car elle doit conserver les paramètres de plusieurs Gaussiennes 3D. Nous observons que de nombreuses Gaussiennes partagent des paramètres similaires ; nous proposons donc une méthode simple de quantification vectorielle basée sur l’algorithme K-means, appliquée tout en optimisant les paramètres des Gaussiennes. Ensuite, nous stockons un petit codebook ainsi que l’indice correspondant à chaque Gaussienne. Nous compressons davantage ces indices en les triant et en appliquant une méthode similaire au codage par longueur de séquence (run-length encoding). En outre, nous introduisons un régulariseur simple visant à favoriser une opacité nulle (Gaussiennes invisibles), permettant ainsi de réduire significativement à la fois le coût de stockage et le temps de rendu, en diminuant le nombre total de Gaussiennes. Nous menons des expériences approfondies sur des benchmarks standards ainsi qu’un jeu de données 3D existant, d’une taille d’un ordre de grandeur supérieure à celle des benchmarks habituellement utilisés dans ce domaine. Nos résultats démontrent que notre méthode, simple mais efficace, permet de réduire le coût de stockage du 3DGS de 40 à 50 fois, tout en accélérant le rendu de 2 à 3 fois, avec une perte négligeable de qualité des images rendues.