摘要

三维高斯点阵（3D Gaussian Splatting, 3DGS）近期已成为建模静态三维场景的一种极具前景的技术。与神经辐射场（Neural Radiance Fields, NeRF）相比，3DGS利用高效的光栅化机制，能够在保持高质量渲染效果的同时实现极快的渲染速度。然而，其存储开销显著较大，限制了其在资源受限设备上的实际部署。本文提出一种紧凑的场景表示方法，将3DGS的高维参数组织为具有局部同质性的二维网格结构，在不牺牲渲染视觉质量的前提下，大幅降低存储需求。本方法的核心思想在于显式利用自然场景中存在的感知冗余性：本质上，一个场景可通过大量不同的高斯参数组合实现等效表达。为此，我们设计了一种新型高度并行的算法，将高维高斯参数规则地排列至二维网格中，同时保留其邻域结构关系。在训练过程中，进一步对网格内排序后的参数施加局部平滑性约束。未压缩的高斯参数沿用与3DGS一致的结构，确保与现有渲染器的无缝集成。实验表明，对于复杂场景，本方法在训练时间不变的前提下，实现了17倍至42倍的存储压缩比，显著推动了三维场景分发与消费领域的发展。更多详细信息请参见项目主页：https://fraunhoferhhi.github.io/Self-Organizing-Gaussians/