미분 가능한 가우시안 스플래팅 (Differentiable Gaussian Splatting)의 최근 발전은 대규모 데이터셋의 상호작용이 가능한 고품질 볼륨 시각화 (VolVis)를 위한 대안적 장면 표현으로서 프리미티브 기반 (primitive-based) 접근 방식의 잠재력을 강조해 왔습니다. 그러나 현재의 프리미티브 기반 방법들의 명시적 (explicit) 특성은 각 VolVis 장면에 대한 개별적인 최적화와 결합되어, 중복되고 비압축적인 표현을 초래합니다. 우리는 VolVis 장면 표현을 위한 효율적인 압축 신경 가우시안 스플래팅 (Efficient Compressive Neural Gaussian Splatting) 프레임워크인 ECoNGS를 제안합니다. ECoNGS는 경량 신경망을 사용하여 명시적 앵커 포인트 (anchor points)로부터 암시적 (implicit)이고 편집 가능한 가우시안 스플래트 (Gaussian splats)를 동적으로 예측하며, 이를 통해 암시적 표현의 모델 압축성 및 파라미터 효율성과 명시적 프리미티브의 고성능 렌더링을 효과적으로 결합합니다. 우리는 기하학적으로 유사한 장면들을 클러스터링하고 이들 간에 파라미터를 공유하는 공동 학습 (joint learning) 전략을 탐구하여, 재구성 충실도 (reconstruction fidelity)를 유지하면서도 전체 학습 시간과 모델 크기를 크게 줄입니다. 더욱 압축적인 장면 표현을 달성하기 위해, 우리는 확률 분포를 추정하는 신경 엔트로피 모델 (neural entropy model)을 사용하여 명시적 앵커 속성을 추가로 압축하며, 이를 통해 엔트로피 코딩 (entropy coding)을 통한 압축 저장 기능을 제공합니다. 우리는 가우시안 초기화 전략을 체계적으로 조사하고 VolVis 장면에 맞춤화된 단순하면서도 효과적인 방식을 제안하여, 재구성 정확도를 향상시키고 수렴을 가속화합니다. 우리는 다양한 단변량 및 다변량 VolVis 장면에 대해 ECoNGS를 정성적 및 정량적으로 평가하였으며, 학습 시간, 재구성 품질 및 모델 크기 측면에서 이전 방법들보다 우수한 성능을 입증했습니다. 특히, 이전 방법인 iVR-GS와 비교했을 때, ECoNGS는 PSNR에서 재구성 품질을 최대 2.2 dB 향상시키는 동시에 모델 크기를 최대 6.1배 줄이고 학습 시간을 최대 5.9배 단축했습니다. 코드는 https://github.com/TouKaienn/ECoNGS 에서 확인할 수 있습니다.