KISS-GS: 3D Gaussian Splatting Compression Kept Simple¶

会议: ECCV 2026
论文: ECCV 原文
代码: https://fraunhoferhhi.github.io/KISS-GS/
领域: 重建与渲染
关键词: 3D高斯泼溅、场景压缩、高斯紧凑化、图像编解码、自组织码本

一句话总结¶

提出解耦重建、紧凑化、编码与微调的模块化 3DGS 压缩框架 KISS-GS，在解码端仅依赖通用浏览器原生图像解码的前提下，通过两阶段误差剪枝与有效秩约束紧凑化（POPSpa）、协方差 48 重对称性平滑（PRAS）与自组织 2D 颜色码本（SOG-XT），在保持原画质下实现 85× 至 319× 的极端文件体积缩减。

研究背景与动机¶

三维高斯泼溅（3DGS）凭借高质量的新视角合成与极高的实时渲染帧率，已迅速成为神经辐射场与三维几何表征的核心基础方案。然而，未压缩的 3DGS 场景通常以包含数百万个高斯图元的原始 .ply 文件进行存储与交换，单个场景的文件体积动辄高达数百兆字节乃至数吉字节。这在带宽受限的网络传输、移动端渲染以及 AR/VR 终端部署中构成了严重的存储与内存瓶颈。

现有 3DGS 压缩方案通常将图元剪枝、网络锚点预测（如 Scaffold-GS、HAC++）、特征网格、非均匀量化与熵编码等多种技术深度耦合在端到端的训练流程中。这种紧耦合体系虽然能刷高率失真（rate-distortion）指标，却带来了严峻的“归因鸿沟”（Attribution Gap）：研究者无法厘清压缩收益究竟来自图元数量的精简，还是来自属性比特率的高效编码；更严重的是，强行绑定特定的重建与训练架构导致编解码器通用性极差，下游解码端往往需要定制复杂且耗时的反向神经网络或专有并行解码算子，无法直接利用终端成熟的硬件加速生态。

本文的切入角度是践行经典的“保持简单（KISS: Keep It Simple, Stupid）”原则，确立“解码器优先”的极简部署哲学：将压缩全流程与三维重建完全解耦，把复杂的优化留给编码端，而使解码端仅依赖现代 Web 浏览器与终端原生支持的标准图像解码。核心 idea：构建严格解耦的四阶段压缩流水线（重建 → POPSpa 剪枝紧凑化 → SOG-XT 图像化编码 → 编码感知微调），通过挖掘高斯协方差的 48 重旋转与缩放对称性（PRAS）消除属性高频方差，配合自组织 2D 颜色码本，使通用图像编解码器能够实现媲美乃至超越复杂紧耦合方案的极端压缩率。

方法详解¶

整体框架¶

KISS-GS 将 3DGS 压缩任务严格拆分为四个彼此独立的模块阶段： 1. 阶段 1：三维重建（Reconstruction）：接收任意通用 3DGS 方案生成的标准 .ply 文件（输入），不绑定任何特定的前向网络或锚点架构； 2. 阶段 2：POPSpa 紧凑化（Compaction with POPSpa）：在固定几何表征下精简图元总数，通过两阶段基于像素渲染误差（$\Delta\text{SE}$）的打分剪枝，并在优化期间引入有效秩（effective rank）正则化抑制针状高斯过拟合，实现约 15.7× 的图元数量缩减； 3. 阶段 3：SOG-XT 图像化编码（Encoding with SOG-XT）：将剩余高斯图元属性映射至二维网格。针对位置均值采用带符号对数变换并拆分为高低字节分别排序，针对球谐高频色彩采用自组织二维码本与 UV 索引映射，针对旋转与缩放提出 PRAS 算法遍历 48 种等效协方差参数消除空间突变，最终打包为轻量 2D 图像容器，体积进一步压缩 6.6×； 4. 阶段 4：编解码感知微调（Encoding-Aware Fine-Tuning，可选）：固定离散排列拓扑与 UV 分配，在量化前向环路中通过直通估计器（Straight-Through Estimator, STE）反向微调连续属性，在不改变解码器结构的前提下再获 2.2× 压缩增益。

整体数据流与阶段映射如下所示：

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["原始 3DGS 场景<br/>标准 .ply 格式 / 30k 步"] --> B["POPSpa 紧凑化<br/>二阶段误差剪枝 + ℓ0 交替优化与有效秩约束"]
    B --> C["SOG-XT 图像化编码<br/>高低字节双平面 PLAS 空间排布"]
    C --> D["SOG-XT 自组织 2D 颜色码本<br/>k-means 聚类 + PLAS 排序 + UV 索引打包"]
    D --> E["PRAS 协方差对称平滑<br/>48 重几何等价类多尺度低通滤波匹配"]
    E --> F{"是否需要进一步压缩?"}
    F -->|否: 纯后处理无微调| G["SOG-XT 标准图像容器<br/>8-bit WebP 图层 + YAML 元数据"]
    F -->|是: 额外 4k 步训练| H["编解码感知闭环微调<br/>STE 直通量化补偿 + 渲染损失微调"]
    H --> G

关键设计¶

1. POPSpa 紧凑化：二阶段误差剪枝与有效秩约束交替精炼 针对稠密 3DGS 场景中存在数百万图元导致存储与栅格化计算严重冗余的痛点，POPSpa 构建了一套完全独立于初始训练的后处理剪枝与几何重构范式。该模块首先利用 GaussianPOP 的高效单遍评估算法，衡量移除第 $k$ 个高斯图元后所有训练视角下的渲染像素平方误差变化量 $\Delta\text{SE}_k = \|C_{\text{render}} - C'_{\text{render}}\|^2$，直接裁撤贡献最低的底层图元。为弥补高比例剪枝造成的画质塌陷，POPSpa 引入基于 $\ell_0$ 稀疏约束的 5k 步优化-稀疏交替精炼，让保留的高斯自适应调整不透明度与空间分布，并在损失函数中施加有效秩正则项： $$ \mathcal{L}{\text{erank}} = \sum_k \lambda(\Sigma_k) - 1 + \epsilon, 0) s_3 $$ 其中协方差矩阵特征值归一化分布的有效秩 }} \max(\text{erank$\text{erank}(\Sigma_k) = \exp(-\sum_{i=1}^3 p_i \log p_i)$ 能够平滑度量高斯的有效空间维度。该正则项强力惩罚 $\text{erank} \approx 1$ 的极度针状高斯（该形态极易在视角间产生严重高频伪影），诱导形成 $\text{erank} \approx 2$ 的扁平盘状高斯以精准贴合场景物体表面。在二次计算 $\Delta\text{SE}_k$ 执行二次剪枝后，再经 5k 步微调完全恢复渲染精度，总计仅用 10k 步后处理即可将图元数量削减约 90%，实现 15.7× 的纯几何紧凑化。

2. SOG-XT 自组织 2D 颜色码本：高维球谐系数的聚类与空间平滑索引 针对球谐函数（SH）多达 48 维浮点系数占据整个 3DGS 体积 50% 以上、且直接排列难以被标准二维图像压缩器编码的痛点，SOG-XT 彻底重构了色彩属性的离散化表达。系统将球谐系数解耦为 0 阶直流分量 $f_{\text{dc}}$（3 维，以 8-bit RGB 图像直存）与 1 至 3 阶的高频交流分量 $f_{\text{rest}}$（45 维）。对于高频交流分量，SOG-XT 构建了一个尺寸自适应为 $K = S^2$（$S \in [8, 256]$ 且为 8 的倍数，容量上限为 65,536）的 k-means 矢量量化码本。最核心的设计在于：传统方案往往按字典序排列聚类中心，导致相邻索引在色彩空间中剧烈跳变；SOG-XT 使用并行局部分配排序（PLAS）算法对码本中的聚类中心在二维平面上进行二次自组织排序，使得相邻二维网格坐标 $(u, v)$ 所对应的球谐基向量也高度平滑连贯。每个高斯图元的高频色彩仅需存储两个 8-bit 的 $(u, v)$ 索引通道，而聚类中心矩阵则被重排折叠为一张紧凑的 $3 \times 5$ 平铺 RGB 图像，大幅提升了标准图像编码器的压缩比。

3. PRAS 协方差对称平滑：利用 48 重几何等价类消除属性高频方差 针对将三维属性平铺为二维图像网格时，四元数与三轴缩放参数在空间相邻像元间存在剧烈跳变、严重破坏图像编码器压缩效率的顽疾，本文发现了一个至关重要的几何事实：三维协方差矩阵 $\Sigma$ 到四元数与尺度元组 $(q, s)$ 的数学映射是严格一对多的，存在巨大的等价类冗余空间。具体而言，该冗余源自三处对称性：① 三个主轴尺度的全排列有 $3! = 6$ 种，对应补偿 $90^\circ$ 的主轴旋转；② 特征向量方向的翻转存在 $2^3$ 种组合，其中满足旋转矩阵行列式 $\det(R)=1$ 的有效旋转有 4 种；③ 四元数双重覆盖特性使得 $q$ 与 $-q$ 对应完全相同的旋转矩阵，共计 $6 \times 4 \times 2 = 48$ 种互不相同但几何分布完全一致的参数表述。并行代表元分配平滑算法（PRAS）通过多尺度指数递减的高斯低通模糊，构建空间平滑的目标代理网格；针对网格中的每一个高斯图元，PRAS 并行遍历其全部 48 个等价候选元，精确挑选出与周围平滑目标在 $\ell_1$ 距离上偏差最小的最优代表元。该方法不改变任何实际三维几何与协方差形状，却以“纯几何算术”手段消除了属性网格中的高频离散噪声，使得四元数量化级别直接从 255 级骤降至 99 级而不损失保真度。

4. 编解码感知闭环微调：以直通估计器消除量化误差并保持输出兼容 针对离散量化操作不可导导致后处理压缩出现精度损失的瓶颈，KISS-GS 提供了可选的 4k 步闭环自适应微调。在微调阶段，图元的二维空间 PLAS 排布拓扑、有效掩码以及球谐码本的 $(u, v)$ 索引分配完全冻结，严格保持轻量解码器的输入规格不变；在每次迭代的前向传播中，图元参数实时映射通过 SOG-XT 的量化张量并重构送入光栅化渲染，反向传播则采用直通估计器（STE）跨过非连续舍入取整操作，将端到端图像重建误差梯度直接传回底层连续变量。同时，算法在微调循环中动态重运行 PRAS，确保属性在参数演变过程中持续驻留在平滑等价流形上。该阶段以轻微的编码算力换取额外的 2.2× 压缩倍率，且产出的模型与未经微调的 SOG-XT 解码器 100% 字节级兼容。

损失函数 / 训练策略¶

在 POPSpa 的 5k 步交替优化与 5k 步精炼阶段，总损失由标准 3DGS 渲染重建损失与有效秩正则化项构成： $$ \mathcal{L} = (1 - \lambda_{\text{D-SSIM}})\mathcal{L}1 + \lambda}}\mathcal{L{\text{D-SSIM}} + \mathcal{L} $$ 在编解码感知微调阶段（4k 步），除标准渲染重建损失外，还对量化图像张量添加轻量全变差（Total Variation, TV）平滑正则，引导高斯属性张量向低熵、易压缩的二维连续场收敛。}

实验关键数据¶

主实验¶

在主流 3DGS 评测协议下，在达到 INRIA 3DGS 40k 训练步基准画质（INRIA-Q）时，各方法相对于原始未压缩 3DGS 的文件体积缩减倍率如下表所示（数值越大代表压缩效率越高）：

方法	Tanks and Temples (PSNR / SSIM / LPIPS)	Mip-NeRF 360 (PSNR / SSIM / LPIPS)	Deep Blending (PSNR / SSIM / LPIPS)	Synthetic NeRF (PSNR / SSIM / LPIPS)
CodecGS (ICCV 2025)	53×* / - / -	72×* / 72×* / -	76×* / 76×* / -	n/a / n/a / n/a
ContextGS (NeurIPS 2024)	42×* / 42×* / -	55×* / 55×* / -	187×* / 187×* / -	n/a / n/a / n/a
HAC++ (TPAMI 2025)	77×* / 68× / -	70× / 36× / -	156× / 156× / -	- / - / -
KISS-GS (SOG-XT 无微调)	227× / 104× / 60×	104× / 73× / 40×	- / - / -	10× / - / -
KISS-GS (SOG-XT + FT 完整版)	319× / 131× / 72×	228× / 109× / 64×	85× / 98× / -	21× / 14× / 14×

注：带 * 表示该方法在最小可用操作点处即已达到或超出基准画质，为下界值；- 表示在全部评估区间内均无法达到基准画质。在真实场景数据集中，KISS-GS 在 Mip-NeRF 360 达到 228× 缩减，在 Tanks and Temples 达到 319× 缩减，大幅超越 HAC++。

消融实验¶

在 Mip-NeRF 360 的 Bicycle 场景（256k 图元）上对 SOG-XT 编码格式各组件进行逐项剔除消融分析（基线完整模型体积为 3.878 MB）：

配置	编码体积 [MB]	体积变化 $\Delta\text{Size}$	$\Delta\text{PSNR}$ [dB]	$\Delta\text{SSIM}$	$\Delta\text{LPIPS}$	说明
SOG-XT 完整流水线	3.878	0	24.23 (基准)	0.6818 (基准)	0.3540 (基准)	完整配置
移除球谐 AC 码本	7.313	+3,434,816 B	+0.2320	+0.00790	-0.00579	丢失码本压缩，体积激增 88.6%
移除 WebP 图像压缩	6.908	+3,030,148 B	+0.0000	+0.00000	+0.00000	证明标准图像压缩器的无损/高保真压缩价值
移除四元数 u8 量化	6.427	+2,548,718 B	+0.0317	+0.00147	-0.00067	旋转参数保留高比特浮点导致体积暴增 65.7%
移除图元 PLAS 空间排序	4.493	+614,851 B	+0.0059	+0.00022	-0.00036	失去 2D 空间连续性使编码器效率明显恶化
移除码本中心 PLAS 排序	3.920	+42,416 B	+0.0000	+0.00000	+0.00000	纯无损收益：码本平滑排序带来免费体积下降
移除标签 UV 紧凑打包	3.890	+12,142 B	+0.0000	+0.00000	+0.00000	纯无损收益：索引打包带来纯体积精简
移除 PRAS 协方差平滑	3.866	-11,810 B	-0.1104	-0.00538	+0.00273	虽然体积略微减少 11KB，但画质显著恶化
移除均值带符号对数映射	3.359	-519,272 B	-7.5508	-0.37864	+0.22151	空间未收缩导致 16-bit 量化出现灾难性精度崩塌

关键发现¶

收益拆解极其清晰透明：在 Mip-NeRF 360 场景下，从 738 MB 原始 .ply 出发，POPSpa 紧凑化贡献 15.7× 削减（降至 47.1 MB），SOG-XT 编码贡献 6.6× 削减（降至 7.13 MB），闭环微调贡献 2.2× 削减（降至 3.23 MB），三者叠加实现 228.4× 综合体积压缩，完美回答了不同技术环节的贡献比例。
PRAS 巧妙解决旋转量化瓶颈：消融表明，若不采用 PRAS 对称平滑，四元数必须保留 255 级量化才能维持画质；而启用 PRAS 后，在仅使用 99 级量化的情况下画质保持完整，消除了属性图层中多达 48 种等效表述引起的突变噪声。
高阶球谐的高维冗余是压缩关键：高阶球谐如果直接存储，将占据 41.1% 以上的存储空间。通过将聚类码本上限约束在 256×256 并进行 2D PLAS 排序，在未观察到画质明显下降的前提下为整个系统削减了超 3.4 MB 的体积。

亮点与洞察¶

48 重协方差旋转-尺度对称性的离散代表元平滑（PRAS）：发掘了 3DGS 中协方差矩阵与四元数/尺度参数间一对多的本质物理几何冗余，在不修改任何空间三维椭球形状的前提下，通过多尺度滤波从 48 个候选等价元中挑选平滑代表元，化解了图像编码器对离散突变的敏感性。
“解码器优先”的极简主义系统工程：打破了学术界为了拼指标而无节制堆叠神经网络解码器（如 MLP、多分辨率哈希网格、八叉树）的内卷趋势，证明了利用最底层的标准图像格式（WebP/PNG）和浏览器原生硬件加速，同样能够在率失真曲线上战胜顶会 SOTA 算法。
高低字节分权重的 2D 连续排布：在将 16-bit 空间位置映射为二维网格时，创新性地将粗粒度的高位字节（反映宏观几何框架）赋予更高权重，细粒度的低位字节（反映局部残差）赋予较低权重参与 PLAS 重排，兼顾了宏观连续性与微观压缩率。

局限与展望¶

复杂室内光照下的表征上限：在 Deep Blending 等存在严重曝光不一致与复杂反射的场景中，KISS-GS（85×-98×）未能击败基于神经网络隐式锚点预测的 HAC++（156×）。这是因为纯显式 3D 高斯难以像多层感知机或特征网格那样通过隐式连续函数平滑吸收视角间的不一致噪声。
编码端计算与内存开销：虽然解码端仅需数十毫秒且极其轻量，但编码端执行两阶段误差反传剪枝、全场景等价类低通滤波搜索（PRAS）以及全局 PLAS 网格排序仍然需要可观的显存与计算时间。
未来改进方向：可进一步探索结合更先进的非迭代式局部空间重构算子，将 PRAS 几何平滑扩展至高阶球谐矢量的旋转等变空间中，彻底打通几何与外观属性的联合紧凑表达。

评分¶

新颖性: ⭐⭐⭐⭐ [创新性揭示并利用高斯协方差的 48 重旋转-缩放对称性（PRAS），将物理等价性巧妙转化为图像编码平滑度，构思非常优雅]
实验充分度: ⭐⭐⭐⭐⭐ [在四大标准基准上进行了详尽的归因消融、跨阶段收益解耦测试与计算开销对比，与最强开源基线 HAC++ 进行了公正的同算力重跑对比]
写作质量: ⭐⭐⭐⭐⭐ [逻辑严密，叙述生动，引用 Dijkstra 名言强调简洁性哲学，行文深入浅出，图表清晰直观]
价值: ⭐⭐⭐⭐⭐ [为 Web 端、移动端与轻量化 AR/VR 场景的三维高斯流式传输与即时渲染提供了立即可落地的工业级极简标准]