🔥 今日值得一读
仅1.2MB！SCION用可复用神经基元压缩3D场景，率失真超越现有高斯压缩方法
SCION: Scene Composition with Instanced Neural Primitives
👨💼 主理人解读 · 为什么值得关注
自动发现并复用场景中重复元素，大幅减少3DGS参数量，适合大规模场景重建与压缩。
📖 AI 总结
SCION 提出了一种层次化组合式神经场景表示方法，用以解决现有三维高斯泼溅及其后续压缩方法将场景中每个元素视为独立个体、导致参数冗余和操控性差的问题。该方法的核心思路是用一套紧凑的可复用基元词汇表替代海量独立高斯，并通过轻量的世界空间实例将变换后的基元副本放置到场景各处。为拟合这一表示，作者对离散与连续场景参数进行联合优化，结合泼溅与实例两个层级的致密化策略，并引入对抗损失以在共享基元间保持细节。实验表明，SCION 在仅 1.2 MB 的存储下仍能维持高质量渲染，其率失真性能优于现有高斯压缩方法，同时支持无需重新训练的实例级场景编辑与动画。该工作说明神经场景表示无需将场景记忆为彼此独立的基元，而能够自动发现可复用的部件结构。
🔑 关键词速览
| 3D Gaussian Splatting | 一种使用3D高斯分布表示场景的神经渲染技术，通过泼溅方式高效渲染。 |
| Neural Primitives | 神经基元，指用于构建复杂场景的基本可学习单元，如高斯或模板。 |
| Rate-Distortion | 率失真，衡量压缩方法在数据大小和重建质量之间的权衡。 |
| Adversarial Loss | 对抗损失，通过生成器和判别器的博弈来提升生成细节的损失函数。 |
| Instance-Level Editing | 实例级编辑，允许对场景中的单个重复对象进行独立修改或动画。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅