GaussianVideo：基于 Gaussian Splatting 的高效视频表示与压缩

基于摘要分析。GaussianVideo 面向视频表示与压缩，针对 NeRV 类隐式神经表示随模型规模增大而出现的编码、解码速度与显存开销问题，提出可变形 2D Gaussian Splatting，以随时间变化的二维高斯表示视频内容。 核心机制是通过多平面时空编码器与轻量解码器，根据时间步预测初始化高斯的颜色、坐标和形状变化，使高斯表示逐帧变形；同时利用时间梯度捕捉时序冗余。摘要未给出时间梯度的具体计算方式、训练损失或压缩码流设计，尚不能判断这些模块各自的收益。 作者报告，相较其所称的当前最先进 NeRV 方法，GPU 显存使用量最多降低 78.4%，训练速度达到 5.5 倍，解码速度达到 12.5 倍。这些结果的具体数据集、基线版本、硬件、分辨率、画质与码率条件尚未验证，不能据此认定其在相同率失真条件下全面优于现有视频编码方法；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可迁移部分是以随时间变形的紧凑基元编码连续信号，但原任务依赖二维空间结构与视频时序冗余，不直接等同于 EEG 表征学习。若用于 EEG 压缩，需要重构电极空间表示及基元参数化，并核对低信噪比、跨被试和通道变化是否破坏表示稳定性；尤其要防止平滑表示丢失短暂神经事件。一个可证伪的小实验是在固定被试内划分下，与匹配压缩率的时序压缩基线比较重建误差及 ERP 波形保真度。该迁移尚无本材料中的直接证据，已有 EEG 相关工作尚未检索确认。