Gaussianos Anidados Matrioska

Resumen

La capacidad de representar escenas con fidelidad ajustable a partir de un único modelo, conocida como nivel de detalle (LoD), es crucial para el despliegue práctico de *3D Gaussian Splatting* (3DGS). Los métodos existentes de LoD discreto exponen solo un conjunto limitado de puntos de operación, mientras que los enfoques concurrentes de LoD continuo permiten un escalado más suave, pero a menudo sufren una degradación de calidad notable a máxima capacidad, lo que convierte al LoD en una decisión de diseño costosa. Presentamos *Matryoshka Gaussian Splatting* (MGS), un marco de entrenamiento que habilita un LoD continuo para las canalizaciones estándar de 3DGS sin sacrificar la calidad de renderizado a máxima capacidad. MGS aprende un único conjunto ordenado de gaussianas de tal forma que renderizar cualquier prefijo, es decir, las primeras k *splats*, produce una reconstrucción coherente cuya fidelidad mejora de forma suave con un presupuesto creciente. Nuestra idea clave es el entrenamiento estocástico por presupuesto: cada iteración muestrea un presupuesto aleatorio de *splats* y optimiza tanto el prefijo correspondiente como el conjunto completo. Esta estrategia requiere solo dos pasadas hacia adelante y no introduce modificaciones arquitectónicas. Los experimentos en cuatro benchmarks y seis líneas base muestran que MGS iguala el rendimiento a máxima capacidad de su modelo base, al mismo tiempo que permite una compensación continua entre velocidad y calidad a partir de un único modelo. Amplias ablaciones sobre estrategias de ordenación, objetivos de entrenamiento y capacidad del modelo validan además los diseños.

English

The ability to render scenes at adjustable fidelity from a single model, known as level of detail (LoD), is crucial for practical deployment of 3D Gaussian Splatting (3DGS). Existing discrete LoD methods expose only a limited set of operating points, while concurrent continuous LoD approaches enable smoother scaling but often suffer noticeable quality degradation at full capacity, making LoD a costly design decision. We introduce Matryoshka Gaussian Splatting (MGS), a training framework that enables continuous LoD for standard 3DGS pipelines without sacrificing full-capacity rendering quality. MGS learns a single ordered set of Gaussians such that rendering any prefix, the first k splats, produces a coherent reconstruction whose fidelity improves smoothly with increasing budget. Our key idea is stochastic budget training: each iteration samples a random splat budget and optimises both the corresponding prefix and the full set. This strategy requires only two forward passes and introduces no architectural modifications. Experiments across four benchmarks and six baselines show that MGS matches the full-capacity performance of its backbone while enabling a continuous speed-quality trade-off from a single model. Extensive ablations on ordering strategies, training objectives, and model capacity further validate the designs.