⚡ electrical engineering

Compression of 3D Gaussian Splatting Data Using GPU-friendly Graphics Texture Coding

本文提出了一种适用于 GPU 的 3D 高斯泼溅（3D Gaussian Splatting）压缩方法，该方法利用硬件加速的纹理编码和原语重排序，在实现大规模并行解码的同时，能够高效压缩球谐函数颜色系数，且几乎不造成视觉质量损失。

原作者： Amir Said, Randall Rauwendaal

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Amir Said, Randall Rauwendaal

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位数字建筑师，正试图构建一个如此真实的虚拟世界，以至于你可以走进去，环顾四周，看到水洼中的倒影或窗户上闪烁的阳光。几十年来，科学家们一直试图通过学习一堆照片来教会计算机做到这一点。这个领域最新的明星被称为“3D 高斯泼溅”（3D Gaussian Splatting）。你可以这样理解：与其用僵硬的砖块或光滑的墙壁来构建场景，不如让计算机用数百万个微小的、模糊的、漂浮的云团来构建世界。每个云团都是一个“基元”（primitive），它精确地知道自己在哪里、有多大，以及从任何角度看应该是什么颜色。

神奇之处在于，这些云团可以根据你所处的位置改变颜色。如果你绕着一个发亮的苹果走动，高光就会随之移动。为了实现这一点，计算机使用了一种复杂的数学工具——“球谐函数”（spherical harmonics）来描述颜色的变化。问题在于？为了让场景看起来真正具有照片级的真实感，你需要海量的这些云团，而且每一个云团都携带了巨大的颜色数据。这就像是为了向朋友展示一张照片，就得在背包里背着一整座百科全书图书馆一样。这些文件体积巨大，难以存储，难以通过互联网传输，也难以让你的计算机快速处理。这就是这篇论文切入的地方，它提出了一个简单的问题：我们能否在不让虚拟世界看起来模糊或有块状感的情况下，缩小这些巨大的文件？

作者们是来自高通（Qualcomm）的研究人员，他们提出了一种巧妙的解决方案，将这些 3D 云团视为一种视频游戏纹理。在现代视频游戏中，计算机使用一种特殊的技巧进行“纹理压缩”，将图像打包成计算机图形卡（GPU）可以立即读取的小块。论文建议我们可以使用同样的技巧来处理我们的 3D 云团。然而，这里有一个陷阱：标准的纹理压缩在相邻颜色相近时效果最好。如果你有一个红蓝相间的棋盘格，压缩就会遇到困难。但在 3D 场景中，计算机拥有在保存数据之前重新排列这些云团顺序的自由。

该论文的主要发现是，如果我们先对这些数百万个 3D 云团进行排序，让颜色相似的云团聚集在一起——就像在把乱七八糟的蜡笔放进罐子之前，先按颜色把它们整理好一样——我们就可以更高效地压缩数据。研究人员通过根据颜色对这些 3D 云团进行重新排序，测试了标准 3D 场景（如自行车、盆栽树和花园）。然后，他们将它们打包成固定大小的块，并使用了已经内置在你计算机图形卡中的标准图形压缩格式（具体为 BC1 和 BC7）。

结果非常令人振奋。团队发现，如果先按颜色对云团进行排序，我们可以在保持几乎完美的视觉质量的同时，显著压缩数据。在测试中，他们对最重要的颜色数据使用 BC7，对其余部分使用 BC1，实现了与原始未压缩数据在视觉上难以区分的细节水平。他们使用了一个名为 PSNR（峰值信噪比）的分数来衡量，该分数越高越好。例如，在“盆栽”（Bonsai）场景中，他们最好的方法得分是 45.55 dB，非常接近原始未压缩版本的 50.17 dB。他们还展示了，如果你只是尝试在不先进行排序的情况下压缩数据，质量会大幅下降，这证明了重新排序步骤才是“秘密武器”。

论文明确反对了“需要复杂的变长压缩（如 JPEG）才能获得良好结果”的观点。虽然 JPEG 对照片非常有效，但对于 3D 场景所需的即时、并行处理来说，它太慢且太复杂了。作者们证明，坚持使用固定大小的块（这允许计算机在无需等待的情况下立即获取数据）实际上是更好的路径，只要你事先聪明地组织数据。他们还展示了你不需要对云团的每个部分都进行同等的压缩；通过将“漫反射”（基础）颜色与“镜面反射”（闪亮）高光分离，你可以为数据的不同部分使用不同的压缩设置，从而节省更多空间。

简而言之，论文表明我们不需要发明一种全新的方式来缩小 3D 世界。相反，我们只需要在打包之前把数据整理整齐。通过按颜色对 3D 云团进行排序，然后使用你的图形卡已经知道如何读取的标准压缩工具，我们可以让这些庞大的、照片级真实的 3D 场景变得足够小，以便装进手机或通过互联网进行流式传输，同时保持极高的渲染速度和图像质量。作者通过使用真实的 3D 场景和标准的压缩软件测量了这些结果，表明视觉降级通常微小到人类肉眼无法察觉。

技术摘要：利用 GPU 友好型图形纹理编码压缩 3D 高斯泼溅（3DGS）数据

问题陈述

3D 高斯泼溅（3DGS）已成为一种强大的新视角合成技术，能够生成由学习到的具有高斯空间分布的几何原语组成的高质量 3D 场景模型。然而，3DGS 模型存在一个显著的实际限制：它们需要大量的内存。这主要是由于捕捉场景细节需要大量的原语，且每个原语都拥有大量的参数，特别是用于模拟视角相关颜色的球谐（SH）系数。

虽然现有的压缩方法已经展示了数据缩减能力，但它们在面对现代渲染管线时存在一个关键局限性：它们未能利用图形处理器（GPU）的并行解码和渲染能力。标准的图像压缩技术（如 JPEG）通常依赖于可变比特率和熵编码，这阻碍了随机访问，而随机访问对于高效渲染复杂场景所需的巨大并行性至关重要。此外，传统的纹理压缩方法是为固定的 2D 网格设计的，无法轻易利用 3DGS 数据组织中固有的重排序能力。

方法论

本文提出了一个压缩框架，该框架将标准的图形纹理编码方案（具体为 BC1 和 BC7 等块截断编码变体）适配到 3DGS 参数中。其核心方法论依赖于三个关键技术支柱：

1. GPU 友好的固定比特率压缩

作者利用了将数据块压缩为固定比特数量的纹理压缩格式（BC1、BC7）。这种设计实现了：

随机访问： 可以通过计算其在比特流中的位置（块索引 × 每块比特数）来定位并独立解码任何压缩块。
并行解码： 这种随机访问允许 GPU 核心并行地解码和渲染原语，而无需等待顺序数据流。
硬件加速： 该方法利用了现代 GPU 中内置的专用纹理解压硬件支持，从而最大限度地减少带宽使用和能耗。

2. 通过颜色排序进行数据重组

一项主要创新是在压缩前对 3DGS 原语进行重组。与像素位置固定的 2D 纹理不同，3DGS 原语可以在不影响渲染逻辑的前提下进行重排序（前提是在 Alpha 混合步骤中按到相机距离进行排序）。

基于颜色的排序： 作者采用一种在 RGB 向量上进行位交织（bit-interleaving）的方案来生成 24 位整数值，然后对其进行排序。
聚类： 这种排序将颜色相似的原语组合成连续的块。由于块截断编码（BTC）在块内方差较低时表现最佳，因此这种重组显著降低了固定比特率下的重构误差（失真）。
空间考量： 虽然颜色排序是主要的驱动力，但该方法也承认可以考虑空间邻近性，尽管在大组内进行独立的颜色排序已被证明对提高 BTC 效率非常有效。

3. 分层与多流组织

为了处理大规模场景和变化的数据特征，论文引入了一种分层数据组织方式：

参数分离： 将位置、形状和外观（SH 系数）进行分离。外观参数根据非零 SH 系数的数量进一步分类。
多比特流： 具有不同参数特征的原语（例如，具有减少后的 SH 系数与全系数的原语）被归入不同的比特流中。这允许对不同的数据子集应用不同的固定比特率编码策略，同时保持随机访问能力。
块重排： 每个原语的 16 个 SH RGB 系数被重新排列为 $4 \times 4$ 的 RGB 块。论文探索了各种配置，例如将单个原语的系数打包，或将来自多个原语的同阶系数聚合到单个块中，以最大化颜色相似性。

核心贡献

GPU 原生压缩： 论文证明了 3DGS 数据可以使用标准的图形纹理格式进行压缩，从而在不损害实时性能所需的随机访问能力的情况下，实现现代 GPU 上高效的并行解码和渲染。
用于 BTC 的颜色排序： 本研究表明，基于颜色相似性对 3DGS 原语进行重排序，可以显著提高固定比特率压缩（BTC）的效率，克服了与恒定比特率约束相关的典型失真惩罚。
灵活的比特率分配： 通过根据参数属性组织数据为多个比特流，该方法允许在整个场景中分配可变比特率（例如，对漫反射分量使用更高质量的 BC7，对镜面反射/高阶系数使用较低质量的 BC1），同时保留随机访问特定数据块的能力。
实际实现： 研究提供了一个具体的流水线，用于将浮点 SH 系数量化为 8 位整数，将其组织成类纹理结构，并应用标准压缩工具（Compressonator）来生成 DDS 文件。

实验结果

作者在官方 3DGS 实现中的“bicycle”、“bonsai”和“garden”场景上评估了其方法。实验将 32 位浮点参数与使用 BC1 和 BC7 格式的各种压缩方案进行了对比。

量化基准： 在应用适当缩放的情况下，将 SH 系数量化为 8 位而不进行压缩，其视觉损失可以忽略不计（PSNR > 46 dB）。
排序的影响： 对未排序的数据直接应用 BC1/BC7 会导致显著的质量下降（PSNR 下降 10–20 dB）。然而，在压缩前应用颜色排序带来了巨大的改进。
- 对于 BC1，排序使 PSNR 提高了约 4–6 dB。
- 对于 BC7，取决于具体的块排列方式，排序使 PSNR 提高了 5–16 dB。
最优配置： 通过将第一阶（漫反射）SH 系数与剩余（镜面反射）系数分离，取得了最佳结果。结合颜色排序，使用 BC7 处理第一块并对剩余块使用 BC1，实现了视觉无损的压缩（PSSR > 38 dB），同时显著降低了内存占用（SH 数据的每原语占用从 196 字节的 32 位浮点数降至约 9 字节）。
视觉质量： 对渲染视图和视频的视觉检查确认，伪影主要局限于颜色外观。由于高斯原语具有平滑边界，颜色量化伪影不会产生突变，因此在运动中难以识别。

意义与主张

论文声称，其提出的方法成功弥合了高保真 3D 场景表示与 GPU 渲染实际约束之间的差距。通过利用 3DGS 原语的重排序自由度，作者证明了固定比特率纹理压缩（传统上比可变比特率图像编码效率更低）对于 3DGS 数据可以变得非常高效。

其意义在于能够实时渲染包含数百万个原语的大规模、高细节 3D 场景。该方法保留了并行 GPU 执行所需的随机访问能力，通过保持数据在需要时才解压来减少内存带宽需求，并利用专门的硬件加速进行解压。作者得出结论，基于 GPU 的解压缩可以实现几乎可以忽略不计或察觉不到的视觉质量下降，这使其成为可扩展 3DGS 部署的可行方案。