G$^2$ARD-GS: Geometry-Guided Anchor-Regularized Gaussian Splatting Distillation

📄 arXiv: 2608.05704v1 📥 PDF

作者: Puyuan Zhang, Jianming Huang, Wenkai Ye, Wei Dong

分类: cs.CV

发布日期: 2026-08-06

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出G$^2$ARD-GS以解决稠密LiDAR地图的高存储成本问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 高斯样条 几何引导 蒸馏方法 LiDAR地图 模型压缩 视觉效果 城市建模

📋 核心要点

  1. 现有方法在处理稠密LiDAR地图时，面临高存储和传输成本的问题，且激进的原始元素减少可能影响模型的稳定性。
  2. G$^2$ARD-GS通过几何引导的蒸馏方法，将稠密高斯先验转化为紧凑的表面感知表示，解决了存储和适应性问题。
  3. 在MatrixCity实验中，G$^2$ARD-GS在不同压缩预算下的PSNR、SSIM和LPIPS表现优于PUP，显示出显著的性能提升。

📝 摘要（中文）

稠密的彩色LiDAR地图提供了准确的城市规模几何信息，但将其提升为3D高斯样条（3DGS）会保留数百万个原始元素，导致模型在存储、传输、渲染和适应方面的成本高昂。虽然激进的原始元素减少可以缓解这一负担，但可能会移除稳定新视图合成和下游几何使用所需的局部表面支持。本文提出G$^2$ARD-GS，一种几何引导的蒸馏方法，将稠密高斯先验转化为紧凑、可重用的表示。G$^2$ARD-GS逐步将先验整合为表面感知的代表，并在构建时的锚点约束下恢复外观，在恢复过程中不添加或移除原始元素。在有限监督下，几何感知的视图选择分配可用的视图预算。在MatrixCity上，G$^2$ARD-GS在匹配的5倍至30倍压缩预算下实现了最佳的PSNR、SSIM和LPIPS，PSNR比PUP提高了3.2至6.8 dB。

🔬 方法详解

问题定义：本文旨在解决稠密彩色LiDAR地图在转化为3D高斯样条时所面临的高存储和传输成本问题。现有方法在激进减少原始元素时，可能会移除必要的局部表面支持，影响模型的稳定性和适应性。

核心思路：G$^2$ARD-GS通过几何引导的蒸馏方法，将稠密高斯先验转化为紧凑的、可重用的表面感知表示。该方法在恢复过程中不添加或移除原始元素，从而保持模型的几何稳定性。

技术框架：G$^2$ARD-GS的整体架构包括两个主要阶段：首先是将高斯先验整合为表面感知的代表，其次是在构建时应用锚点约束恢复外观。

关键创新：G$^2$ARD-GS的核心创新在于其几何引导的蒸馏过程，能够在不损失几何信息的情况下有效减少模型的复杂性，与现有方法相比，显著提高了模型的适应性和稳定性。

关键设计：在设计中，采用了几何感知的视图选择策略，以优化可用视图预算，并在恢复过程中保持固定拓扑结构，确保外观恢复的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在MatrixCity数据集上，G$^2$ARD-GS在5倍至30倍的压缩预算下，PSNR、SSIM和LPIPS指标均表现最佳，PSNR比PUP提高了3.2至6.8 dB。此外，作为固定几何体重用时，该模型在适应性方面也比PUP 3D-GS提高了3.7至4.9 dB。

🎯 应用场景

该研究在城市规模的三维建模、自动驾驶、虚拟现实等领域具有广泛的应用潜力。通过提供高效的几何表示，G$^2$ARD-GS能够降低存储和传输成本，同时保持高质量的视觉效果，推动相关技术的发展与应用。

📄 摘要（原文）

Dense colored LiDAR maps provide accurate city-scale geometry, but lifting them into 3D Gaussian Splatting (3DGS) retains millions of primitives, making the resulting models costly to store, transmit, render, and adapt. Aggressive primitive reduction alleviates this burden, but can remove the local surface support needed for stable novel-view synthesis and downstream geometric use. We introduce G$^2$ARD-GS, a geometry-guided distillation method that converts a dense Gaussian prior instantiated either as a training-free point-cloud lift or a trained GS model into a compact, reusable representation. G$^2$ARD-GS progressively consolidates the prior into surface-aware representatives, then recovers appearance on the resulting fixed topology under construction-time anchor constraints, with no primitives added or removed during recovery. Under limited supervision, geometry-aware view selection allocates the available view budget. On MatrixCity, G$^2$ARD-GS achieves the best PSNR, SSIM, and LPIPS across matched $5\times$--$30\times$ compression budgets, outperforming PUP by $3.2$--$6.8$,dB in PSNR. When reused as frozen geometry, the compact model improves off-trajectory appearance adaptation by $3.7$--$4.9$,dB over PUP 3D-GS and preserves image-to-model registration accuracy on Cambridge KingsCollege at $30\times$ compression. Project page: https://patrick1159.github.io/gardGS-page/.