近日，由浙江大學(xué)ZIP實(shí)驗室的王威杰、ByteDance Seed的陳俊宇以及莫納什大學(xué)的張澤宇等研究者共同發(fā)表的論文《ZPressor: Bottleneck-Aware Compression for Scalable Feed-Forward 3DGS》在arXiv上引起廣泛關(guān)注（arXiv:2505.23734v1，2025年5月29日）。這項研究為當(dāng)前3D場景渲染技術(shù)提供了一個突破性的解決方案，使得前饋式3D高斯渲染（Feed-forward 3DGS）能夠處理更多的輸入視圖，同時保持高效率和高質(zhì)量的渲染效果。

想象一下，你正在嘗試通過多張照片重建一個完整的3D場景，比如你家的客廳或花園。傳統(tǒng)的3D高斯渲染技術(shù)就像是一個手工藝人，需要花費(fèi)大量時間逐步調(diào)整，直到完美重現(xiàn)場景。而前饋式3DGS則像是一位經(jīng)驗豐富的魔術(shù)師，只需一揮魔杖（一次前向傳遞），就能將這些照片轉(zhuǎn)化為生動的3D場景。然而，這位魔術(shù)師有一個限制——他的"魔法帽"（編碼器）容量有限，當(dāng)輸入的照片過多時，他要么表現(xiàn)欠佳，要么需要消耗過多的內(nèi)存資源。

這正是研究團(tuán)隊要解決的核心問題。他們將目光投向了信息瓶頸理論（Information Bottleneck），這一理論提供了一個優(yōu)雅的框架來平衡信息壓縮和保留。就像是一個旅行者需要在有限的行李箱中盡可能高效地打包行李，只帶上真正必需的物品一樣，研究團(tuán)隊開發(fā)了名為ZPressor的輕量級模塊，它能夠智能地"打包"多視圖輸入的信息，去除冗余但保留關(guān)鍵細(xì)節(jié)。

ZPressor的核心思想非常巧妙。首先，它將輸入視圖分為兩組：錨點(diǎn)視圖（anchor views）和支持視圖（support views）。錨點(diǎn)視圖就像是一群"代表"，負(fù)責(zé)存儲和傳遞關(guān)鍵信息，而支持視圖中的信息則被壓縮并融合到這些代表中。為了確保這些"代表"能最大程度地覆蓋場景信息，研究者使用了一種稱為最遠(yuǎn)點(diǎn)采樣（farthest point sampling）的技術(shù)來選擇錨點(diǎn)視圖，就像是在一個大房間里盡可能均勻地放置幾個攝像頭，以獲得最全面的覆蓋。

研究團(tuán)隊在DL3DV-10K和RealEstate10K兩個大型基準(zhǔn)數(shù)據(jù)集上進(jìn)行了廣泛實(shí)驗，結(jié)果令人振奮。他們將ZPressor集成到多個現(xiàn)有的前饋式3DGS模型中，包括pixelSplat、MVSplat和DepthSplat。在所有測試中，添加了ZPressor的模型不僅在中等數(shù)量的輸入視圖（如12個視圖）下表現(xiàn)更好，而且在處理密集輸入視圖（如36個視圖）時仍能保持良好的性能和計算效率，而原始模型在這種情況下通常會出現(xiàn)顯著的性能下降或內(nèi)存溢出。例如，在36個輸入視圖的情況下，添加了ZPressor的DepthSplat比原始模型在PSNR上提高了4.65dB，同時將推理時間減少了約70%，內(nèi)存使用減少了約80%。

一、ZPressor的核心原理：信息瓶頸視角下的解決方案

想象一下信息瓶頸理論就像是精簡行李的藝術(shù)。當(dāng)你要長途旅行時，你不可能帶上家里的所有物品，而是需要精心挑選真正必需的東西。信息瓶頸理論也是如此，它要求我們從原始數(shù)據(jù)中提取出一個壓縮表示，這個表示既要盡可能?。ㄏ袷且粋€小巧的行李箱），又要包含完成任務(wù)所需的全部關(guān)鍵信息（像是旅行中真正需要的物品）。

研究團(tuán)隊發(fā)現(xiàn)，現(xiàn)有的前饋式3DGS模型之所以在處理大量輸入視圖時表現(xiàn)不佳，根本原因在于它們的編碼器能力有限。這些編碼器就像是容量固定的容器，當(dāng)?shù)谷胩嘈畔r，它們要么溢出（內(nèi)存不足），要么無法有效處理（性能下降）。尤其是在像素對齊的設(shè)計中，3D高斯基元的數(shù)量會隨著輸入視圖的增加而線性增長，導(dǎo)致計算資源需求急劇上升。

ZPressor通過實(shí)現(xiàn)信息瓶頸原理解決了這個問題。從數(shù)學(xué)角度看，信息瓶頸目標(biāo)是最小化以下得分：

IB分?jǐn)?shù) = β × I(X, Z) - I(Z, Y)

這個公式中，I(X, Z)是壓縮得分，表示壓縮表示Z保留了多少輸入X的信息；I(Z, Y)是預(yù)測得分，表示Z對于預(yù)測目標(biāo)Y有多大幫助；β是平衡這兩個目標(biāo)的參數(shù)。

簡單來說，壓縮得分就像是"行李箱輕量化"的目標(biāo)，我們希望它盡可能?。欢A(yù)測得分則是"帶夠必需品"的目標(biāo)，我們希望它盡可能大。ZPressor正是通過平衡這兩個看似矛盾的目標(biāo)，實(shí)現(xiàn)了對多視圖輸入的高效壓縮。

二、ZPressor的技術(shù)設(shè)計：優(yōu)雅簡潔的三步法

ZPressor的設(shè)計非常優(yōu)雅，可以概括為三個主要步驟，就像是一場精心編排的舞蹈。

首先是錨點(diǎn)視圖選擇。想象你需要在一個大房間里放置幾個攝像頭，以盡可能捕捉房間的全貌。你會如何放置這些攝像頭？自然是盡量均勻分布，互相之間保持適當(dāng)距離。ZPressor采用的最遠(yuǎn)點(diǎn)采樣（FPS）算法正是基于這種直覺。它首先隨機(jī)選擇一個視圖作為第一個錨點(diǎn)，然后迭代地選擇與現(xiàn)有錨點(diǎn)集合距離最遠(yuǎn)的視圖作為新的錨點(diǎn)，直到選滿預(yù)定數(shù)量。這樣，選出的錨點(diǎn)視圖能夠最大程度地覆蓋整個場景信息。

第二步是支持視圖分配。每個非錨點(diǎn)視圖（即支持視圖）被分配給與其攝像機(jī)位置最近的錨點(diǎn)視圖。這就像是選舉制度中的選區(qū)劃分，每個公民（支持視圖）被分配到最近的投票站（錨點(diǎn)視圖）。這種分配方式確保了支持視圖中的信息能夠與最相關(guān)的錨點(diǎn)視圖融合，從而保持場景的局部一致性。

第三步，也是最關(guān)鍵的一步，是視圖信息融合。這一步使用了交叉注意力（cross-attention）機(jī)制，將支持視圖的信息壓縮并融合到對應(yīng)的錨點(diǎn)視圖中。具體來說，錨點(diǎn)視圖的特征作為查詢（queries），而支持視圖的特征提供鍵（keys）和值（values）。這種設(shè)計使得錨點(diǎn)視圖能夠有選擇地吸收支持視圖中的補(bǔ)充信息，同時避免信息冗余。

整個過程就像是一個高效的信息提煉系統(tǒng)。錨點(diǎn)視圖就像是信息的"容器"，而支持視圖則是信息的"源泉"。通過交叉注意力機(jī)制，系統(tǒng)從支持視圖中提取出最有價值的信息，并將其融合到錨點(diǎn)視圖中，形成一個緊湊但信息豐富的表示。

為了進(jìn)一步增強(qiáng)信息流動，研究團(tuán)隊還添加了自注意力層，并將多個包含交叉注意力和自注意力的模塊堆疊起來。這些設(shè)計使得ZPressor能夠更有效地壓縮和融合多視圖信息，從而大大提高了前饋式3DGS模型的可擴(kuò)展性。

三、實(shí)驗驗證：令人信服的性能提升

研究團(tuán)隊在兩個大型基準(zhǔn)數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗：DL3DV-10K和RealEstate10K。DL3DV-10K是一個具有挑戰(zhàn)性的大規(guī)模數(shù)據(jù)集，包含來自10,510個真實(shí)場景的5130萬幀；RealEstate10K則是一個包含約10萬個視頻片段的大型數(shù)據(jù)集，這些片段來自YouTube上的房屋參觀視頻。

實(shí)驗設(shè)計非常全面。研究團(tuán)隊將ZPressor集成到三個代表性的前饋式3DGS模型中：DepthSplat、MVSplat和pixelSplat。他們使用12個輸入視圖（其中6個作為錨點(diǎn)視圖）訓(xùn)練模型，然后在不同數(shù)量的輸入視圖（從8個到36個）上進(jìn)行評估。

結(jié)果令人印象深刻。在所有情況下，集成了ZPressor的模型都顯著優(yōu)于原始模型。特別是在處理大量輸入視圖時，性能差距更為明顯。例如，在DL3DV數(shù)據(jù)集上，當(dāng)使用36個輸入視圖時，添加了ZPressor的DepthSplat比原始模型在PSNR（峰值信噪比，衡量圖像質(zhì)量的指標(biāo)）上提高了4.65dB，這是一個相當(dāng)顯著的提升。

更令人驚訝的是，原始的pixelSplat模型在處理超過8個輸入視圖時就會遇到內(nèi)存不足（OOM）的問題，而添加了ZPressor的版本能夠輕松處理多達(dá)36個輸入視圖，并且表現(xiàn)優(yōu)異。這清楚地展示了ZPressor在提高模型可擴(kuò)展性方面的巨大潛力。

除了圖像質(zhì)量指標(biāo)外，研究團(tuán)隊還評估了模型的效率。結(jié)果顯示，添加ZPressor不僅提高了渲染質(zhì)量，還大幅降低了計算成本。例如，在處理36個輸入視圖時，添加了ZPressor的DepthSplat比原始模型的推理時間減少了約70%，內(nèi)存使用減少了約80%。這種效率提升對于實(shí)際應(yīng)用至關(guān)重要，尤其是在資源受限的設(shè)備上。

視覺比較結(jié)果更加直觀地展示了ZPressor的效果。在36個輸入視圖的情況下，原始DepthSplat和MVSplat模型產(chǎn)生的渲染結(jié)果中存在明顯的偽影和噪點(diǎn)，而它們的ZPressor增強(qiáng)版本則產(chǎn)生了顯著更清晰、更真實(shí)的渲染結(jié)果。這些視覺比較結(jié)果直觀地證明了ZPressor在提高渲染質(zhì)量方面的顯著效果。

四、深入分析：揭示ZPressor的工作機(jī)制

為了更深入地理解ZPressor的工作機(jī)制，研究團(tuán)隊進(jìn)行了一系列細(xì)致的分析實(shí)驗。

首先，他們分析了瓶頸約束（即錨點(diǎn)視圖的數(shù)量）在不同信息內(nèi)容的場景中的影響。研究團(tuán)隊使用幀距作為場景覆蓋范圍和信息內(nèi)容的代理，比較了幀距為50（CG50）和幀距為100（CG100）兩種設(shè)置下的性能。結(jié)果顯示，在CG50設(shè)置下，將錨點(diǎn)視圖從7個增加到9個會導(dǎo)致性能下降，這表明7個聚類已經(jīng)足夠，額外的聚類會引入冗余。而在CG100設(shè)置下，增加錨點(diǎn)視圖反而提高了性能，這表明信息內(nèi)容更豐富的場景需要更高的信息瓶頸。這一發(fā)現(xiàn)證實(shí)了ZPressor確實(shí)是根據(jù)信息瓶頸原理工作的。

其次，研究團(tuán)隊分析了信息融合策略的重要性。他們比較了三種設(shè)置：默認(rèn)設(shè)置（將支持視圖融合到錨點(diǎn)視圖中）、不進(jìn)行融合（w/o fusion）、以及融合重復(fù)的錨點(diǎn)視圖而非支持視圖（fuse anchors）。結(jié)果顯示，去掉信息融合步驟會導(dǎo)致性能顯著下降，而融合重復(fù)的錨點(diǎn)視圖效果不如默認(rèn)設(shè)置。這證明了ZPressor的關(guān)鍵在于從支持視圖中提取補(bǔ)充信息并將其融合到錨點(diǎn)視圖中。

最后，研究團(tuán)隊還進(jìn)行了消融實(shí)驗，驗證了ZPressor各組件的作用。結(jié)果顯示，移除多塊堆疊設(shè)計或自注意力層都會導(dǎo)致性能輕微下降，證明這些組件確實(shí)有助于增強(qiáng)信息融合效果。然而，即使是最簡化的ZPressor變體也顯著優(yōu)于基線模型，這進(jìn)一步證明了信息瓶頸是前饋式3DGS模型的關(guān)鍵限制因素，而ZPressor有效地解決了這一問題。

五、跨數(shù)據(jù)集泛化能力與實(shí)際應(yīng)用前景

除了主要實(shí)驗外，研究團(tuán)隊還評估了ZPressor的跨數(shù)據(jù)集泛化能力。他們使用在RealEstate10K上預(yù)訓(xùn)練的模型在ACID數(shù)據(jù)集上進(jìn)行測試，結(jié)果顯示添加了ZPressor的模型表現(xiàn)出色，尤其是在輸入視圖數(shù)量增加時，性能優(yōu)勢更加明顯。這證明了ZPressor不僅在原訓(xùn)練數(shù)據(jù)集上有效，還能在新的、未見過的場景中保持其優(yōu)勢。

從實(shí)際應(yīng)用角度看，ZPressor為前饋式3DGS技術(shù)開辟了新的可能性。以前，這些模型在處理大量輸入視圖時會遇到嚴(yán)重的性能和內(nèi)存限制，這大大限制了它們在復(fù)雜場景重建中的應(yīng)用。而有了ZPressor，這些模型現(xiàn)在能夠在80GB的GPU上處理480P分辨率下的100多個輸入視圖，這意味著它們可以應(yīng)用于更廣泛的實(shí)際場景，如虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)和3D內(nèi)容創(chuàng)建。

當(dāng)然，ZPressor也有其局限性。正如研究團(tuán)隊在論文中指出的，在極端密集的視圖設(shè)置下（如1000個輸入視圖），即使ZPressor也只能將其壓縮到約50個視圖，以保持信息緊湊性。而處理50個視圖的3D高斯仍然對典型GPU提出了相當(dāng)大的計算挑戰(zhàn)。未來的工作可能需要探索將ZPressor與3D高斯合并或內(nèi)存高效渲染相結(jié)合，以進(jìn)一步擴(kuò)展前饋式3DGS處理極端密集輸入視圖的能力。

六、結(jié)論與未來展望

這項研究的意義遠(yuǎn)超過技術(shù)本身。它不僅提供了一個實(shí)用的解決方案來提高前饋式3DGS模型的可擴(kuò)展性，還為理解和解決深度學(xué)習(xí)中的信息瓶頸問題提供了新的視角。通過將信息瓶頸理論應(yīng)用于3D場景重建，研究團(tuán)隊展示了如何在保持高性能的同時實(shí)現(xiàn)有效的信息壓縮。

對于普通用戶來說，這項技術(shù)的進(jìn)步意味著更高質(zhì)量、更高效的3D內(nèi)容創(chuàng)建和渲染。想象一下，你可以使用智能手機(jī)拍攝家中或戶外場景的多張照片，然后一個增強(qiáng)了ZPressor的前饋式3DGS系統(tǒng)能夠迅速將這些照片轉(zhuǎn)化為高質(zhì)量的3D模型，可以在虛擬現(xiàn)實(shí)中探索，或者用于家居設(shè)計、房地產(chǎn)展示等應(yīng)用。這種技術(shù)可以使3D內(nèi)容創(chuàng)建變得更加普及和民主化，不再需要專業(yè)的設(shè)備和技能。

從研究角度看，ZPressor為解決深度學(xué)習(xí)中的信息瓶頸問題提供了一個成功案例。這種方法可能被應(yīng)用到其他領(lǐng)域，如自然語言處理、多模態(tài)學(xué)習(xí)等，以提高模型的效率和可擴(kuò)展性。

未來，研究團(tuán)隊可能會探索如何進(jìn)一步提高ZPressor的效率，例如通過更先進(jìn)的視圖選擇策略或更高效的信息融合機(jī)制。他們也可能嘗試將ZPressor與其他技術(shù)相結(jié)合，如神經(jīng)輻射場（NeRF）或輕量級3D表示，以開發(fā)更強(qiáng)大、更通用的3D場景重建系統(tǒng)。

總而言之，ZPressor代表了3D場景重建領(lǐng)域的一個重要進(jìn)步。通過創(chuàng)新性地應(yīng)用信息瓶頸理論，研究團(tuán)隊開發(fā)了一個簡單而有效的解決方案，大大提高了前饋式3DGS模型的可擴(kuò)展性和效率。這項工作不僅推動了學(xué)術(shù)研究的前沿，還為實(shí)際應(yīng)用提供了新的可能性，讓高質(zhì)量的3D內(nèi)容創(chuàng)建和渲染變得更加可行和普及。

對于那些對這項研究感興趣的讀者，可以通過項目頁面https://lhmd.top/zpressor獲取更多信息，包括視頻結(jié)果、代碼和訓(xùn)練好的模型。研究團(tuán)隊的開源精神值得贊賞，這將有助于更廣泛的研究社區(qū)建立在這一重要工作的基礎(chǔ)上，進(jìn)一步推動3D視覺領(lǐng)域的發(fā)展。