近年、微分可能ガウシアンスプラッティングの進展により、プリミティブベースのアプローチが大規模データセットのインタラクティブで高品質なボリューム可視化（VolVis）のための代替シーン表現として注目されています。しかし、既存のプリミティブベース手法の明示的な性質と、各VolVisシーンに対する個別最適化は、冗長で非コンパクトな表現をもたらします。この問題に対処するため、研究者らはECoNGSを提案しました。これは、VolVisシーン表現のための効率的な圧縮ニューラルガウシアンスプラッティングフレームワークです。
ECoNGSは、軽量ニューラルネットワークを使用して、明示的なアンカーポイントから暗黙的で編集可能なガウシアンスプラットを動的に予測します。これにより、暗黙表現のモデルコンパクト性とパラメータ効率を、明示プリミティブの高性能レンダリングと組み合わせることができます。具体的には、疎な空間位置であるアンカーポイントから、軽量MLPネットワークを介してガウシアンスプラットのパラメータをマッピングすることで、各シーンごとに多数のプリミティブを独立最適化する冗長性を回避します。
トレーニングコストをさらに削減するため、研究チームはジョイント学習戦略を採用しました。この戦略は、幾何学的に類似したシーンをクラスタリングし、同一クラスター内のシーン間でニューラルネットワークのパラメータを共有します。このクロスシーンパラメータ共有により、全体的なトレーニング時間とモデルサイズが大幅に削減され、再構成品質が維持されます。実験では、この戦略が品質を犠牲にすることなく効率的なトレーニングを実現することが示されました。
表現の圧縮に関して、ECoNGSはニューラルエントロピーモデルを導入しています。このモデルは、明示的なアンカー属性（位置、色、不透明度など）の確率分布を推定し、エントロピー符号化によるコンパクトなストレージを可能にします。さらに、研究ではガウシアン初期化戦略を体系的に調査し、VolVisシーンに特化したシンプルで効果的なスキームを提案しました。このスキームは、シーンの密度場を事前計算してガウシアンスプラットの位置と形状を初期化することで、再構成精度を向上させ、収束を加速します。
ECoNGSは、さまざまな単変量および多変量VolVisシーンで定性的・定量的に評価されました。結果は一貫して、トレーニング時間、再構成品質、モデルサイズにおいて従来手法を凌駕することを示しました。特に、最先端のiVR-GSと比較して、PSNRで最大2.2 dB向上、モデルサイズを最大6.1倍削減、トレーニング時間を最大5.9倍短縮しました。これらの利点は大規模3Dボリュームデータセットで特に顕著であり、インタラクティブなボリューム可視化のための効率的かつコンパクトなソリューションを提供します。
コードはGitHubで公開されており（https://github.com/TouKaienn/ECoNGS）、本論文はIEEE VIS 2026に採録され、IEEE Transactions on Visualization and Computer Graphicsに掲載予定です。