3DTurboQuant：无需训练 3D 重建模型的近乎最优量化

用于压缩基于 3D 高斯 Splatting、NeRF 或 Transformer 的 3D 重建器的每种现有方法都需要通过每个场景的 微调 学习数据相关的码本。我们证明这是不必要的。在这些模型中占主导地位的参数向量、3DGS 中的 45 维球谐函数和 DUSt3R 中的 1024 维键值向量，都落在单个随机旋转将任何输入转换为具有已知 Beta 分布的坐标的维度范围内。这使得预先计算的、与数据无关的 Lloyd-Max 量化接近最优，在信息论下限的 2.7 倍之内。我们开发 3D，推导 (1) 一个与维度相关的标准，在运行任何实验之前预测哪些参数可以量化以及以什么位宽进行量化，(2) 将量化 MSE 连接到每个场景的渲染 PSNR 的范数分离边界，(3) 将基于旋转的量化扩展到二维散列网格特征的条目分组策略，以及 (4) 具有封闭形式压缩比的可组合修剪量化管道。在 NeRF Synthetic 上，3DTurboQuant 将 3DGS 压缩 3.5 倍，PSNR 损失为 0.02dB，DUSt3R KV 缓存压缩 7.9 倍，点图保真度为 39.7dB。无需训练，无需码本学习，无需校准数据。压缩需要几秒钟。代码即将发布（https://github.com/JaeLee18/3DTurboQuant）