2DGS rapide : Représentation d'image efficace avec un a priori gaussien profond Contributions : Nous proposons Deep Gaussian Prior, une stratégie d'initialisation apprise par une boucle itérative d'optimisation et d'échantillonnage. En simulant la trajectoire d'optimisation, notre méthode capture une distribution adaptée au contenu qui rompt le biais uniforme de l'initialisation aléatoire, accélérant ainsi considérablement la convergence. • Nous présentons un cadre simplifié qui lie la cardinalité gaussienne (K) aux taux de compression. En utilisant une architecture légère sans ingénierie complexe des caractéristiques, nous transformons l'allocation gaussienne mal posée en une tâche d'apprentissage traitable et parallélisable par lots. • Nous démontrons que notre cadre permet d'obtenir des compromis supérieurs entre la qualité de reconstruction, la latence d'inférence et la généralisabilité inter-ensembles de données par rapport aux approches d'images gaussiennes existantes.
Articlearxiv.org/abs/2512.12774cxr