CompGS：基于压缩 Gaussian Splatting 的高效三维场景表示

基于摘要分析。该研究针对 Gaussian Splatting 在三维场景表示中数据量较大、影响实际部署的问题，提出 Compressed Gaussian Splatting（CompGS），通过紧凑 Gaussian primitives 与码率约束优化，寻求表示体积、建模准确性和渲染质量之间的平衡。研究对象是三维场景表示与渲染，而非神经信号解码或 BCI。 机制上，CompGS 构造能够利用 primitives 之间预测关系的混合结构，以少量 anchor primitives 进行预测，使其余大部分 primitives 能够采用紧凑残差形式表示；随后通过码率约束优化减少该混合表示中的冗余。其方法重点是利用表示单元间的可预测性进行压缩，而不只是减少表示单元数量。具体预测规则、锚点选择方式、残差编码及优化目标形式尚未验证。 作者报告，在所开展的三维场景表示实验中，CompGS 相比现有方法获得更紧凑的表示，同时不损害模型准确性与渲染质量。但摘要未列明数据集、划分、对照方法、码率、压缩比例或质量指标，因此尚不能核对优势幅度及其适用条件；实验协议、消融及统计信息尚未验证。 摘要称代码将于 GitHub 发布，这不等于代码已公开，复现所需实现与配置仍待确认。当前材料未提供该压缩机制与 EEG 数据结构或解码任务的具体对应关系，不能据此推导 BCI 有效性；相关 EEG 工作尚未检索确认。