CC-4DGS: Computational Deformation and Point-Cloud Compression for Storage-Efficient Dynamic Gaussian Splatting

📄 arXiv: 2609.02184v1 📥 PDF

作者: Kyungdae Park, Chae Eun Rhee

分类: cs.CV

发布日期: 2026-09-02

备注: 16 pages, 8 figures, and 9 tables. Published in IEEE Transactions on Visualization and Computer Graphics. Code is available at https://github.com/KyungdaePark/CC-4DGS

期刊: IEEE Transactions on Visualization and Computer Graphics, 2026

DOI: 10.1109/TVCG.2026.3721136

💡 一句话要点

提出CC-4DGS以解决动态高斯点云存储效率问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 动态高斯点云 存储效率 视图合成 计算变形场 点云压缩 神经网络 实时渲染

📋 核心要点

  1. 现有动态四维高斯点云方法存储效率低，需数十到数百MB，限制了其应用。
  2. CC-4DGS通过计算变形场和典型点云属性压缩，显著降低存储需求，提升效率。
  3. 实验表明，CC-4DGS在重建精度上与Swift4D等先进方法相当，但存储效率和运行时内存表现更佳。

📝 摘要（中文）

动态四维高斯点云表示在高质量视图合成中表现出色，但现有方法因依赖大型多分辨率哈希表和高维高斯属性，导致每个场景需要数十到数百兆字节的存储。本文提出了CC-4DGS，一个存储高效且可扩展的框架，重新思考了变形建模和典型属性存储。首先，引入计算变形场（CDF），用确定性稠密哈希编码和紧凑神经解码器替代大型多分辨率可学习哈希表，实现变形特征的即时合成，同时将变形存储减少到每个场景仅1-3MB。其次，提出了典型点云属性压缩（CCA）管道，通过条件自编码、选择性量化和残差代码本压缩高维球谐外观项和辅助高斯属性，达到3-5倍的点云减少，且几乎没有质量损失。综合这些组件，CC-4DGS在保持实时渲染性能的同时，将总存储减少到20-30MB。

🔬 方法详解

问题定义：本文旨在解决动态四维高斯点云表示在存储效率上的不足，现有方法依赖于大型哈希表和高维属性，导致存储需求过高。

核心思路：提出计算变形场（CDF）和典型点云属性压缩（CCA）两大核心思想，前者通过稠密哈希编码替代哈希表，后者通过条件自编码等技术压缩高维属性。

技术框架：CC-4DGS框架包括两个主要模块：计算变形场模块和典型点云属性压缩模块，前者负责变形特征的生成，后者负责点云属性的压缩与存储。

关键创新：最重要的创新在于用确定性稠密哈希编码替代多分辨率哈希表，显著降低了变形存储需求，同时通过条件自编码实现了高维属性的有效压缩。

关键设计：在设计中，CDF模块采用紧凑神经解码器，确保变形特征的即时合成；CCA模块则结合选择性量化和残差代码本，优化了高维属性的存储和重建质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CC-4DGS在N3DV和Technicolor Light Field数据集上的实验结果显示，其重建精度与Swift4D等先进方法相当，同时存储需求降低至20-30MB，存储效率提升3-5倍，且运行时内存表现优越，展示了显著的性能优势。

🎯 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需要高质量视图合成的场景。通过提高存储效率，CC-4DGS能够支持更大规模的动态场景渲染，推动相关技术的进步与应用。未来，随着存储技术的发展，该方法有望在实时渲染和大规模数据处理方面发挥更大作用。

📄 摘要（原文）

Dynamic four-dimensional (4D) Gaussian Splatting has emerged as a powerful explicit representation for high-quality view synthesis, yet existing methods still require tens to hundreds of megabytes per scene due to their heavy reliance on large multi-resolution hash tables and high-dimensional Gaussian attributes. This paper presents CC-4DGS, a storage-efficient and scalable framework that rethinks both deformation modeling and canonical attribute storage. First, we introduce a computational deformation field (CDF) that replaces large multi-resolution learnable hash tables with deterministic dense hash encoding and compact neural decoders, enabling on-the-fly synthesis of deformation features while reducing deformation storage to only 1--3 MB per scene. Second, we propose a compression of canonical point-cloud attributes (CCA) pipeline that compresses high-dimensional spherical harmonic appearance terms and auxiliary Gaussian attributes via conditional autoencoding, selective quantization, and residual codebooks, achieving 3--5$\times$ point-cloud reduction with negligible quality loss. Together, these components yield a unified representation that preserves real-time rendering performance while reducing total storage to 20--30 MB. Extensive experiments across the N3DV and Technicolor Light Field datasets demonstrate that CC-4DGS achieves reconstruction accuracy comparable to state-of-the-art methods such as Swift4D, while offering significantly improved storage efficiency and favorable runtime-memory trade-offs.