用于辐射场的紧凑 3D Gaussian 表示

基于摘要分析。本文研究三维场景辐射场表示的存储与渲染效率问题，针对 3D Gaussian splatting（3DGS）为维持渲染质量而需要大量 Gaussian、导致内存与存储开销较大的瓶颈，提出同时压缩 Gaussian 数量和属性的表示框架。研究对象是三维场景重建与渲染，而非 EEG 或 BCI 信号建模。 方法包含三个主要部分：通过可学习掩码减少 Gaussian 数量；以基于网格的神经场表示视角相关颜色，替代 spherical harmonics（球谐函数）；通过向量量化学习码本，紧凑表示 Gaussian 的几何属性。框架还结合量化与熵编码，以降低最终存储需求。其核心思路是在点数量、颜色表示和几何属性三个层面共同控制表示成本，而非仅对原有 3DGS 参数进行压缩。 作者报告，相较于 3DGS，该方法在保持场景表示质量的同时，将存储需求压缩超过 25 倍，并提升渲染速度。摘要未提供对应数据集、场景范围、训练与测试划分、画质指标、硬件条件及具体速度数据，因此该压缩比例不能脱离质量与评估条件单独解读；实验协议、消融及统计信息尚未验证。 复现时需核对掩码的学习与筛选规则、网格神经场配置、码本训练方式，以及量化和熵编码的实际贡献，并区分磁盘存储、运行时内存与渲染吞吐量。当前材料未建立这些依赖三维空间结构和视角条件的机制与 EEG 瓶颈之间的具体对应关系，不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。