Confident Splatting: Konfidenzbasierte Kompression von 3D-Gauß-Splatting über lernbare Beta-Verteilungen

Confident Splatting: Confidence-Based Compression of 3D Gaussian Splatting via Learnable Beta Distributions

June 28, 2025

Autoren: AmirHossein Naghi Razlighi, Elaheh Badali Golezani, Shohreh Kasaei

cs.AI

Zusammenfassung

3D Gaussian Splatting ermöglicht hochwertiges Echtzeit-Rendering, erzeugt jedoch oft Millionen von Splats, was zu übermäßigem Speicherbedarf und Rechenaufwand führt. Wir schlagen eine neuartige verlustbehaftete Kompressionsmethode vor, die auf lernbaren Konfidenzwerten basiert, die als Beta-Verteilungen modelliert werden. Die Konfidenz jedes Splats wird durch rekonstruktionsbewusste Verlustfunktionen optimiert, wodurch Splats mit geringer Konfidenz entfernt werden können, während die visuelle Qualität erhalten bleibt. Der vorgeschlagene Ansatz ist architekturunabhängig und kann auf jede Variante von Gaussian Splatting angewendet werden. Darüber hinaus dienen die durchschnittlichen Konfidenzwerte als neue Metrik zur Bewertung der Qualität der Szene. Umfangreiche Experimente zeigen günstige Kompromisse zwischen Kompression und Qualität im Vergleich zu früheren Arbeiten. Unser Code und unsere Daten sind öffentlich verfügbar unter https://github.com/amirhossein-razlighi/Confident-Splatting.

English

3D Gaussian Splatting enables high-quality real-time rendering but often produces millions of splats, resulting in excessive storage and computational overhead. We propose a novel lossy compression method based on learnable confidence scores modeled as Beta distributions. Each splat's confidence is optimized through reconstruction-aware losses, enabling pruning of low-confidence splats while preserving visual fidelity. The proposed approach is architecture-agnostic and can be applied to any Gaussian Splatting variant. In addition, the average confidence values serve as a new metric to assess the quality of the scene. Extensive experiments demonstrate favorable trade-offs between compression and fidelity compared to prior work. Our code and data are publicly available at https://github.com/amirhossein-razlighi/Confident-Splatting