CompGS：通过压缩 Gaussian Splatting 实现高效三维场景表示

基于摘要分析。该研究针对 Gaussian Splatting 三维场景表示数据量较大、限制实际应用的问题，提出 Compressed Gaussian Splatting（CompGS），通过紧凑的 Gaussian primitives 降低表示体积，同时维持场景建模与渲染质量。其主要研究对象是三维场景表示压缩，而非 EEG 或 BCI 信号建模。 方法上，CompGS 设计了利用图元间预测关系的混合图元结构：以少量锚点图元进行预测，将大多数图元编码为紧凑的残差形式；再通过码率约束优化减少混合图元中的冗余，使码率消耗与表示效果形成权衡。摘要未给出预测关系的具体构建方式、残差编码细节、码率估计方法或优化目标的数学形式，这些内容尚未验证。 作者报告，在所开展的三维场景表示实验中，CompGS 相较现有方法获得更紧凑的表示，同时不损害模型精度与渲染质量。但摘要未提供数据集、对照方法、压缩体积、渲染指标或具体实验协议，因此无法核对优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 复现需进一步核对锚点选择、预测依赖、残差表示与码率约束的实现，以及相同质量条件下的存储开销和编解码成本。作者表示计划在 GitHub 发布代码，当前材料不能确认代码已公开。摘要未提供该机制与 EEG/BCI 数据结构之间的具体对应关系，不据此推导其具有神经信号压缩或解码收益。