ボリュームビジュアライゼーション（VolVis）は医療画像やシミュレーション結果など、大規模な3次元データセットを対話的に可視化する重要な技術です。近年、微分可能なガウシアンスプラッティングの進展により、プリミティブベースのアプローチがシーン表現として注目を集めています。しかし既存の手法には課題がありました。各VolVisシーンごとに最適化が行われるため、表現が冗長で非効率になり、モデルサイズが大きくなってしまうという問題です。 そこで研究チームが提案したのがECoNGS（Efficient Compressive Neural Gaussian Splats）です。このフレームワークは軽量なニューラルネットワークを用いて、明示的なアンカーポイントから暗黙的で編集可能なガウシアンスプラットを動的に予測します。これにより、暗黙的表現のモデルコンパクト性と効率性を、明示的プリミティブの高性能レンダリングと組み合わせることに成功しました。 さらに、幾何学的に類似したシーンをクラスタリングしてパラメータを共有する統合学習戦略を導入することで、訓練時間とモデルサイズを大幅に削減しながら再構成品質を維持しています。加えて、ニューラルエントロピーモデルを用いた確率分布推定により、アンカー属性をさらに圧縮し、エントロピーコーディングによるコンパクトな保存を実現しています。 評価結果は極めて優れており、先行手法iVR-GSと比較して、PSNR値で最大2.2 dB の再構成品質向上、モデルサイズを最大6.1倍削減、訓練時間を最大5.9倍短縮しています。これらの成果は、医療画像診断から科学可視化まで、様々なVolVisアプリケーションの実用性と利便性を大幅に向上させる可能性を示唆しています。