RAP高斯属性驱动的跨场景图元重要性估计

一句话结论

已建静态3DGS图元的属性与KNN局部统计可在测试场景一次预测重要性，给后训练剪枝、训练中剪枝及编码预剪枝使用；训练这个预测器仍需GT图像及可微渲染。Mip室内训练中剪枝后PSNR31.076→30.696、LPIPS .186→.218，说明紧凑资产仍有可见退化（CVF主文pp.5–8 Eqs.7–12/Tables2–3）。

问题与方法

输入已有3DGS的高斯中心、尺度、透明度、球谐颜色与KNN统计：8原始属性→7维全局标准化和8维局部标准化、共15维，经32/32/16的MLP与sigmoid生成图元重要性分数；不需要测试相机的评分与场景重建、训练阶段所需相机/GT分账。训练10个DL3DV-10K场景，以渲染重建损失、平均目标保留比例与分数分布项监督。K=128邻居，推断阶段主要时间用于邻近查询；源自KNN的83.45%/MLP的0.52%只属于补充中的该测试口径（主文pp.2–6 Eqs.1–12，官方补充p.1 §8）。

结果、反证和成本

Mip-NeRF360 5户外/4室内、Deep Blending与T&T各2场，沿3DGS已知视图划分。主文p.6 Table1对opacity基线的BD-Rate，Mip户外RAP −42.63% vs LightGaussian −35.21%，T&T −40.11% vs −37.98%；指标沿模型大小轴构建，属于未编码资产率失真。主文p.7 Table2包含加载与指标的评分时间：户外RAP15.64s、C3DGS11.69s、opacity3.73s；室内RAP5.72s，低于LightGaussian22.71s，高于opacity1.27s。主文p.8 Table3在保留60%附近周期剪枝：Mip户外PSNR24.688→24.709、模型926.895→285.067MB；室内PSNR31.076→30.696、LPIPS .186→.218、模型299.202→67.804MB；T&T LPIPS .169→.201。补充p.2指出EAGLES在SSIM/LPIPS上经常更好，户外bicycle/stump约60%剪枝PSNR领先约.3dB。MPEG GSC分支在同编码器20%预剪、四rate点，Fig.4/正文称多数BD-rate改善15–20%；缺可逐场直接读取的精确数表。

边界与相关页面

评分免渲染是推断阶段性质；训练全链含原场景SfM/3DGS及15k步监督渲染，编码器、再训练和KNN显存也应报告。主文p.8 Fig.5分别消融透明度、尺度与全局/局部统计；薄结构与遥远背景的局部遗漏待按scene审。代码仓库存在，API无仓库许可证字段，权重与依赖另核；未做GPU复现。比较FastGS逐场误差覆盖、EcoSplat前馈给定K、Matryoshka逐场排序前缀预算时，固定初始高斯、硬件和目标保留率，同时计训练/预处理/码流/下游画质。全文、补充及逐页分析在raw/ingest/2026-09-25-rap/；总览三维高斯泼溅：表示、优化、几何与动态任务。出版月日仅知月，published_at以月初占位。