GHAP: 3D Gaussian Splatting 10X más RÁPIDO sin perder calidad (Optimal Transport)

Este podcast presenta GHAP (Gaussian Herding Across Pens), una innovadora técnica que resuelve el problema de la redundancia masiva en 3D Gaussian Splatting (3DGS), donde el proceso de densificación suele generar millones de primitivas redundantes, aumentando los costos de memoria y renderizado. GHAP aborda la compactación como un problema de Reducción de Mezcla Gaussiana (GMR) desde una perspectiva de Optimal Transport, lo que contrasta con los métodos de poda heurística que ignoran la estructura geométrica. La metodología implica una eficiente reducción geométrica blockwise GMR guiada por KD-tree, seguida por una fase de optimización de apariencia para afinar el color y la opacidad. Los resultados demuestran que GHAP puede compactar el modelo, reteniendo solo el 10% de los Gaussians mientras mantiene o incluso supera la calidad visual SOTA (medida por PSNR, SSIM, LPIPS) en comparación con el 3DGS original y otras técnicas de compactación, ofreciendo una vía eficiente y agnóstica para el renderizado 3D en tiempo real y ligero. El código de implementación oficial está disponible en GitHub bajo DrunkenPoet/GHAP.https://github.com/DrunkenPoet/GHAPhttps://github.com/graphdeco-inria/gaussian-splattinghttps://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/3d_gaussian_splatting_high.pdfhttps://arxiv.org/pdf/2506.09534