ACA-GS: Adaptive-Capacity Anchored Gaussian Splatting for Compact Dynamic Radiance Fields
作者: Seunghyeon Song, Joo Chan Lee, Chanung Park, Jun Young Jeong, Minseo Lee, Eunbyung Park, Jong Hwan Ko
分类: cs.CV
发布日期: 2026-08-05
备注: 9 pages, 8 figures. Accepted to ACM Multimedia 2026
💡 一句话要点
提出自适应容量锚定高斯点云以解决动态辐射场存储效率问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱八：物理动画 (Physics-based Animation)
关键词: 动态辐射场 高斯点云 自适应容量 时空渲染 存储效率 视觉质量 锚点设计
📋 核心要点
- 现有的基于锚点的高斯点云方法在运动表现力与存储效率之间存在权衡，导致内存浪费。
- 本文提出自适应容量锚点框架，通过动态调整锚点的神经高斯数量和特征通道，优化存储效率。
- 在MPEG、Panoptic Sports和N3DV数据集上，实验结果显示该方法在复杂运动场景中实现了1.5倍的压缩率提升。
📝 摘要（中文）
近年来，4D高斯点云（4DGS）的进展使得高保真、实时时空渲染成为可能，但暴露了运动表现力与存储效率之间的基本权衡。现有的基于锚点的设计通过锚点级参数共享实现紧凑性，但其刚性统一参数化强制每个锚点固定的神经高斯数量和特征预算，导致在复杂运动场景中需要过多的锚点密度，从而浪费内存。为了解决这一问题，本文提出了一种自适应容量锚点框架，动态分配表示能力，针对局部时空需求进行优化。实验表明，该方法在多个数据集上显著减少存储需求，同时保持视觉质量。
🔬 方法详解
问题定义：本文旨在解决现有基于锚点的高斯点云方法在动态辐射场中存在的运动表现力与存储效率之间的权衡问题。现有方法通过增加锚点密度来提高表现力，导致内存浪费。
核心思路：提出自适应容量锚点框架，动态分配每个锚点的神经高斯数量和特征通道，针对局部时空需求进行优化，避免不必要的冗余。
技术框架：该框架包括两个主要模块：自适应锚点基数和自适应锚点特征掩码。前者根据几何或运动复杂性动态调整神经高斯数量，后者根据区域复杂性调节特征通道。
关键创新：最重要的创新在于自适应锚点基数和特征掩码的结合，使得模型能够在复杂区域集中资源，而在简单区域减少冗余，从而提高存储效率。
关键设计：在参数设置上，模型根据局部时空特征动态调整神经高斯数量，损失函数设计上强调视觉质量与存储效率的平衡，网络结构上采用模块化设计以便于扩展与优化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在复杂的MPEG序列上，该方法实现了比现有最先进的基于锚点的方法高出1.5倍的压缩率，同时保持了相似的视觉质量，证明了其在存储效率和渲染质量上的优势。
🎯 应用场景
该研究的潜在应用领域包括虚拟现实、游戏开发和影视特效等，能够在保证高质量渲染的同时显著降低存储需求，提升实时渲染的可行性。未来，该方法有望推动动态场景渲染技术的发展，促进更复杂场景的实时处理。
📄 摘要（原文）
Recent advances in 4D Gaussian Splatting (4DGS) enable high-fidelity, real-time spatiotemporal rendering, but expose a fundamental trade-off between motion expressiveness and storage efficiency. While anchor-based designs achieve compactness through anchor-level parameter sharing, their rigid uniform parametrization enforces fixed Neural Gaussian counts and feature budgets per anchor. Consequently, insufficient fidelity is addressed by excessive anchor density, rather than lightweight, targeted increases in Neural Gaussian count or feature capacity, resulting in memory waste. To overcome this rigidity, we introduce an adaptive-capacity anchor-based framework that dynamically allocates the representational capacity based on local spatiotemporal demands. Adaptive Anchor Cardinality varies the number of Neural Gaussians per anchor, concentrating primitives in regions of high geometric or motion complexity while suppressing redundancy. In parallel, Adaptive Anchor Feature Masking modulates anchor-level feature channels, assigning rich features to complex regions and lightweight representations to simpler ones. Experiments on MPEG, Panoptic Sports, and N3DV datasets demonstrate substantial storage reduction without degrading visual quality. Notably, on challenging MPEG sequences with complex motion, our method achieves up to 1.5x higher compression than state-of-the-art anchor-based methods while preserving comparable quality.