Fast 2DGS: Representação eficiente de imagens com prior gaussiano profundo Contribuições: • Propomos o Deep Gaussian Prior, uma estratégia de inicialização aprendida por meio de um ciclo iterativo de otimização e amostragem. Ao simular a trajetória de otimização, nosso método captura uma distribuição que leva em consideração o conteúdo e quebra o viés uniforme da inicialização aleatória, acelerando significativamente a convergência. Apresentamos uma estrutura simplificada que ancora a cardinalidade gaussiana (K) às taxas de compressão. Ao empregar uma arquitetura de base leve, sem engenharia de recursos complexa, transformamos a alocação gaussiana mal condicionada em uma tarefa de aprendizado tratável e paralelizada em lote. • Demonstramos que nossa estrutura alcança um equilíbrio superior entre qualidade de reconstrução, latência de inferência e generalização entre conjuntos de dados, em comparação com as abordagens de imagem gaussiana existentes.
Artigo:arxiv.org/abs/2512.12774r