ECoNGS: 面向体可视化的高效压缩神经高斯溅射

近年来，可微高斯溅射技术的进展凸显了基于基元的方法作为替代场景表示在大规模数据集交互式高质量体可视化（VolVis）中的潜力。然而，当前基于基元的方法的显式性质，加上对每个VolVis场景的独立优化，导致了冗余、非紧凑的表示。针对这一问题，来自研究团队提出了ECoNGS——一种用于VolVis场景表示的高效压缩神经高斯溅射框架。

ECoNGS的核心创新在于使用轻量级神经网络从显式锚点动态预测隐式、可编辑的高斯溅射。这种设计有效结合了隐式表示的模型紧凑性和参数效率，以及显式基元的高性能渲染能力。具体而言，显式锚点作为稀疏的空间位置，通过一个轻量级MLP网络映射到高斯溅射的参数，从而避免了每个场景独立优化大量基元的冗余。

为了进一步降低训练开销，研究团队探索了一种联合学习策略。该策略将几何相似的场景进行聚类，并在同一聚类内的场景之间共享神经网络的参数。这种跨场景的参数共享不仅显著减少了总体训练时间，还压缩了模型大小，同时保持了重建保真度。实验表明，该策略在不牺牲质量的前提下，实现了高效的训练。

在表示压缩方面，ECoNGS引入了神经熵模型。该模型估计显式锚点属性的概率分布，并通过熵编码实现紧凑存储。锚点属性包括位置、颜色、不透明度等，经过熵编码后，存储需求大幅降低。此外，研究还系统地探索了高斯初始化策略，并提出了一种针对VolVis场景简单而有效的初始化方案。该方案通过预先计算场景的密度场来初始化高斯溅射的位置和形状，从而提升了重建精度并加速了收敛。

实验在多种单变量和多变量VolVis场景上进行了定性与定量评估。结果一致表明，ECoNGS在训练时间、重建质量和模型大小上均优于此前的方法。特别是与最先进的iVR-GS方法相比，ECoNGS在PSNR指标上提升高达2.2 dB，同时模型大小减少6.1倍，训练时间降低5.9倍。这些优势在大规模三维体数据场景中尤为明显，为交互式体可视化提供了高效且紧凑的解决方案。

该研究的代码已在GitHub上开源（https://github.com/TouKaienn/ECoNGS），相关论文已被IEEE VIS 2026收录，将发表于《IEEE Transactions on Visualization and Computer Graphics》。