近年來，可微高斯濺射技術的進展凸顯了基於基元的方法作為替代場景表示在大規模數據集交互式高質量體可視化（VolVis）中的潛力。然而，當前基於基元的方法的顯式性質，加上對每個VolVis場景的獨立優化，導致了冗餘、非緊湊的表示。針對這一問題，來自研究團隊提出了ECoNGS——一種用於VolVis場景表示的高效壓縮神經高斯濺射框架。
ECoNGS的核心創新在於使用輕量級神經網絡從顯式錨點動態預測隱式、可編輯的高斯濺射。這種設計有效結合了隱式表示的模型緊湊性和參數效率，以及顯式基元的高性能渲染能力。具體而言，顯式錨點作為稀疏的空間位置，通過一個輕量級MLP網絡映射到高斯濺射的參數，從而避免了每個場景獨立優化大量基元的冗餘。
為了進一步降低訓練開銷，研究團隊探索了一種聯合學習策略。該策略將幾何相似的場景進行聚類，並在同一聚類內的場景之間共享神經網絡的參數。這種跨場景的參數共享不僅顯著減少了總體訓練時間，還壓縮了模型大小，同時保持了重建保真度。實驗表明，該策略在不犧牲質量的前提下，實現了高效的訓練。
在表示壓縮方面，ECoNGS引入了神經熵模型。該模型估計顯式錨點屬性的概率分佈，並通過熵編碼實現緊湊存儲。錨點屬性包括位置、顏色、不透明度等，經過熵編碼後，存儲需求大幅降低。此外，研究還系統地探索了高斯初始化策略，並提出了一種針對VolVis場景簡單而有效的初始化方案。該方案通過預先計算場景的密度場來初始化高斯濺射的位置和形狀，從而提升了重建精度並加速了收斂。
實驗在多種單變量和多變量VolVis場景上進行了定性與定量評估。結果一致表明，ECoNGS在訓練時間、重建質量和模型大小上均優於此前的方法。特別是與最先進的iVR-GS方法相比，ECoNGS在PSNR指標上提升高達2.2 dB，同時模型大小減少6.1倍，訓練時間降低5.9倍。這些優勢在大規模三維體數據場景中尤為明顯，為交互式體可視化提供了高效且緊湊的解決方案。
該研究的代碼已在GitHub上開源（https://github.com/TouKaienn/ECoNGS），相關論文已被IEEE VIS 2026收錄，將發表於《IEEE Transactions on Visualization and Computer Graphics》。