Les chercheurs présentent Cluster-Guided Vector Quantization (CGVQ), une méthode conçue pour améliorer les performances taux-distorsion de la compression d'images basée sur des primitives gaussiennes. L'approche partitionne les paramètres de Gaussienne en groupes homogènes avant la quantification, traitant l'inefficacité causée par le stockage de grands nombres de paramètres à virgule flottante par primitive.

  • CGVQ diminue les bits par pixel (bpp) de 20 % par rapport à la méthode de base.
  • La technique maintient une qualité visuelle équivalente malgré la réduction significative de la taille des données.
  • La méthode exploite le clustering pour permettre une efficacité de compression plus élevée et une reconstruction précise des paramètres.

Cette amélioration permet un stockage plus efficace du contenu d'images haute fidélité représenté par des primitives paramétriques compactes.