本研究提出了一种迭代剪枝策略，以解决3D高斯散点模型的可扩展性不足问题，去除冗余信息，提升压缩效果。实验结果表明，该方法在多个基准测试中表现良好，增强了其在资源受限设备上的应用潜力。

本文提出了一种基于压缩性的框架，通过最小描述长度（MDL）推导统计监督学习算法的泛化误差上界。不同于传统方法，该方法利用训练集和测试集之间的多字母相对熵。基于Blum-Langford的PAC-MDL界限，引入块编码和有损压缩。数值模拟显示，选择合适的先验优于经典先验。