AtlasLC: Fast Codec-Ready Compression of Object-Centric 3D Gaussian Splatting

📄 arXiv: 2607.26525v1 📥 PDF

作者: ByungHyun Kim, Jinwoo Jeon, Woontack Woo

分类: cs.GR

发布日期: 2026-07-29

备注: Accepted to IEEE ISMAR 2026 (TVCG)

💡 一句话要点

提出AtlasLC以解决XR中3D高斯点云压缩问题

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

关键词: 3D高斯点云 压缩算法 扩展现实 实时渲染 对象中心 图集打包 局部竞争修剪

📋 核心要点

  1. 现有的3DGS压缩方法主要针对场景规模，难以适应对象中心的高效压缩需求，导致资产准备成本高、解码延迟大等问题。
  2. AtlasLC通过局部竞争修剪和确定性图集打包，优化了对象中心3DGS的压缩流程，避免了对原始图像和相机姿态的依赖。
  3. 实验结果显示，AtlasLC在图集准备时间上减少了最多25倍，端到端压缩时间减少了最多5倍，同时在压缩比和几何质量上优于现有基线。

📝 摘要（中文）

3D高斯点云（3DGS）技术能够实现逼真的新视角合成和实时渲染，但在扩展现实（XR）中应用压缩的对象中心3DGS时，面临着图像空间率失真之外的多重挑战。现有的3DGS压缩方法主要针对场景规模的捕获，通常依赖于繁重的布局生成或激进的全局修剪，这些假设在语义集中前景对象上效果不佳。本文提出了AtlasLC，一个无源、无训练的压缩管道，直接对已发布的高斯资产进行操作，无需原始图像、相机姿态或每个资产的优化。AtlasLC结合局部竞争修剪和确定性图集打包，消除了映射/重映射瓶颈，同时保留了对象范围的前景支持。实验结果表明，AtlasLC在多个评估资产上将图集准备时间减少了最多25倍，端到端压缩时间减少了最多5倍，同时在有效负载、解码延迟、运行时FPS和3D几何体方面表现优于评估的压缩基线。

🔬 方法详解

问题定义：本文旨在解决在扩展现实（XR）中应用压缩的对象中心3D高斯点云（3DGS）时，现有方法在资产准备、解码延迟和深度信息保留等方面的不足。

核心思路：AtlasLC采用无源、无训练的压缩管道，直接对已发布的高斯资产进行操作，结合局部竞争修剪和确定性图集打包，优化了压缩过程。

技术框架：AtlasLC的整体架构包括局部竞争修剪模块和图集打包模块，使用轻量级的单通道排序条件传输作为共享坐标骨干，确保高效的压缩和解码。

关键创新：AtlasLC的主要创新在于其无源、无训练的设计，避免了对原始图像和相机姿态的依赖，同时通过局部竞争修剪提升了压缩效率。

关键设计：在设计中，AtlasLC采用了轻量级的排序算法作为条件传输的基础，确保了在压缩过程中对前景支持的保留，并优化了图集的准备和解码时间。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AtlasLC在多个评估资产上将图集准备时间减少了最多25倍，端到端压缩时间减少了最多5倍，相较于同类紧凑结构基线，使用的比特数减少了约6%到8%，同时保持了相似的感知和几何质量。

🎯 应用场景

AtlasLC的研究成果在扩展现实（XR）资产库的构建中具有重要应用价值，能够显著降低资产准备和传输的成本，提高实时渲染的效率。未来，该方法有望在游戏开发、虚拟现实和增强现实等领域得到广泛应用，推动3D内容的快速生成和共享。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) enables photorealistic novel-view synthesis with real-time rendering, but deploying compressed object-centric 3DGS in XR requires more than image-space rate-distortion. In practical XR asset pipelines, reusable objects are repeatedly packaged, transmitted, decoded, and instantiated, making asset-preparation cost, codec compatibility, decoding latency, and preservation of depth and silhouette cues first-class concerns. Existing 3DGS compression methods are largely developed for scene-scale captures and often rely on heavy layout generation or aggressive global pruning, assumptions that transfer poorly to semantically concentrated foreground objects. We present AtlasLC, a source-free, training-free compression pipeline for object-centric 3DGS that operates directly on released Gaussian assets, without original images, camera poses, or per-asset optimization. AtlasLC couples local-competition pruning with deterministic atlas packing to remove the mapping/remapping bottleneck while preserving object-wide foreground support; a lightweight single-pass sort-based conditional transport is used as a shared coordinate backbone for these stages. Across the evaluated assets, AtlasLC reduces atlas-preparation time by up to a factor of 25 and end-to-end compression time by up to a factor of 5, while offering a favorable deployment-aware balance of payload, decode latency, runtime FPS, and 3D geometry relative to the evaluated compressed baselines. Relative to similarly compact structured baselines, it uses about 6 to 8 percent fewer bits while maintaining comparable perceptual and geometric quality. These results show that object-centric 3DGS compression should be optimized for a deployment-aware operating point enabling scalable XR asset libraries.