ECCV'24开源 | 2000 FPS！使用2D GS进行图像表示和压缩！

主要观点总结

本文介绍了GaussianImage：一种基于二维高斯泼溅的图像表示与压缩新技术。该研究旨在解决隐式神经表示（INRs）在实际场景中的部署难题，如训练时间长、GPU内存需求大和解码速度慢等。通过引入二维高斯分布和新型的栅格化算法，GaussianImage实现了高效的图像表示、压缩和快速的解码。论文还详细描述了其图像编解码器的开发、实验结果和未来工作方向。

关键观点总结

关键观点1: 研究背景及挑战

随着隐式神经表示（INRs）在图像表示和压缩方面的成功，其在内存有限的低端设备上的使用受到限制，因为需要大量的GPU资源进行高效的训练、推理和渲染。

关键观点2: 方法概述

提出使用二维高斯泼溅（Splatting）进行图像表示和压缩的新范式。通过紧凑的二维高斯表示和基于累积混合的新型栅格化方法，实现了高表示性能、较短的训练时间、极小的GPU内存开销以及快速的渲染速度。

关键观点3: 主要贡献

提出了基于二维高斯泼溅的图像表示与压缩的开创性方法；开发了低复杂度的神经图像编解码器，并采用向量量化技术；实验结果表明，与现有方法相比，该方法在保持相似视觉质量的同时，实现了显著的训练和推理加速，并减少了GPU内存的使用。

关键观点4: 实验结果

在Kodak和DIV2K数据集上的实验结果表明，GaussianImage在表示性能、压缩性能和计算复杂度方面均表现出显著优势。

关键观点5: 未来工作

GaussianImage为非端到端图像压缩和表示策略提供了进一步探索的有前途的方向，具有广泛的应用前景。