2DGS rápido: representación eficiente de imágenes con prior gaussiano profundo Contribuciones: • Proponemos una Prior Gaussiana Profunda, una estrategia de inicialización aprendida mediante un ciclo iterativo de optimización y muestreo. Al simular la trayectoria de optimización, nuestro método captura una distribución sensible al contenido que rompe el sesgo uniforme de la inicialización aleatoria, acelerando significativamente la convergencia. Presentamos un marco simplificado que vincula la cardinalidad gaussiana (K) a las tasas de compresión. Al emplear una estructura básica ligera sin ingeniería de características compleja, transformamos la asignación gaussiana mal planteada en una tarea de aprendizaje manejable y paralelizable por lotes. • Demostramos que nuestro marco logra compensaciones superiores entre calidad de reconstrucción, latencia de inferencia y generalización entre conjuntos de datos en comparación con los enfoques de imágenes gaussianas existentes.
Documenarxiv.org/abs/2512.12774wcxr



