摘要

近年来，基于点的实时神经渲染技术取得了显著进展，推动了三维表示方法的广泛应用。然而，以3D高斯点阵（3D Gaussian Splatting, 3D-GS）为代表的经典方法存在显著的存储开销问题，因为从运动恢复结构（Structure-from-Motion, SfM）生成的点云数量可达到数百万级别，单个无界场景往往需要千兆字节级别的磁盘存储空间。这种规模的增长带来了严重的可扩展性挑战，并制约了点阵渲染的效率。为解决上述问题，本文提出LightGaussian，一种将3D高斯表示转换为更紧凑格式的新方法。受神经网络剪枝（Network Pruning）思想的启发，LightGaussian识别出在全局场景重建中贡献最小的高斯点，并通过剪枝与恢复机制有效消除冗余，同时保持高质量的视觉表现。随后，利用知识蒸馏与伪视图增强技术，将球谐函数（spherical harmonic）系数压缩至更低阶次，进一步实现紧凑表示。在此基础上，基于每个高斯点全局重要性的高斯向量量化（Gaussian Vector Quantization）策略，可在几乎不损失精度的前提下显著降低数据位宽。实验结果表明，LightGaussian在3D-GS框架内实现了平均15倍的压缩率，同时将帧率从144 FPS提升至237 FPS，显著提升了复杂场景的渲染效率。该方法在Mip-NeRF 360与Tank & Temple等基准数据集上均表现出优异性能。此外，所提出的高斯剪枝策略具有良好的泛化能力，可适用于其他三维表示方法（如Scaffold-GS），展现出广泛的应用潜力。