容量与精度协同优化的高效二维 Gaussian 图像表示

基于摘要分析。本文研究有限存储预算下的二维 Gaussian 图像表示，提出 CP-GS，将 Gaussian 容量分配与参数量化精度置于共同码率约束下联合优化，目标是改善图像表示的率失真性能；研究对象是图像表示与压缩，而非 EEG 或 BCI。 方法包含三个环节：首先，在固定 Gaussian 数量预算内，将冗余区域的 Gaussian 动态重新分配至表示需求更高的区域，形成内容自适应表示；其次，采用分层失真感知表示量化，通过基于渲染的校准，在不同 Gaussian 属性之间分配精度，并进一步细化异质属性组内部的精度；最后，构建具有不同 Gaussian 数量和精度配置的候选表示，根据解码失真与实际序列化大小选择工作点。其核心区别在于不再将容量配置和参数精度视为彼此独立的优化问题。 作者报告，在 DIV2K 和 Kodak 的多个预算条件下，CP-GS 相比代表性的二维 Gaussian 表示与隐式神经表示取得更好的率失真性能，同时维持既定整体表示预算与较低优化开销。摘要未给出具体对照方法、失真指标、码率范围、数值收益或耗时，因此无法据此量化优势，也不能确认其在各预算区间的表现是否一致。实验协议、消融及统计信息尚未验证；复现还需核对预算核算、序列化开销、候选配置搜索方式与渲染校准成本。 材料未提供该二维空间表示机制与神经信号结构的具体对应关系，因此不能将图像压缩结果外推为 EEG/BCI 有效性证据；相关 EEG 工作尚未检索确认。