F4Splat: Densificación Predictiva de Avance para Proyección de Gaussianos 3D de Avance

F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting

March 22, 2026

Autores: Injae Kim, Chaehyeon Kim, Minseong Bae, Minseok Joo, Hyunwoo J. Kim

cs.AI

Resumen

Los métodos de proyección de Gaussianos 3D de avance directo permiten la reconstrucción en una sola pasada y el renderizado en tiempo real. Sin embargo, normalmente adoptan pipelines rígidos de píxel-a-Gaussiano o vóxel-a-Gaussiano que asignan Gaussianos de manera uniforme, lo que genera Gaussianos redundantes entre vistas. Además, carecen de un mecanismo efectivo para controlar el número total de Gaussianos manteniendo la fidelidad de la reconstrucción. Para abordar estas limitaciones, presentamos F4Splat, que realiza una densificación predictiva de avance directo para la proyección de Gaussianos 3D de avance directo, introduciendo una estrategia de asignación guiada por puntuación de densificación que distribuye Gaussianos de forma adaptativa según la complejidad espacial y la superposición multivista. Nuestro modelo predice puntuaciones de densificación por región para estimar la densidad de Gaussianos requerida y permite un control explícito sobre el presupuesto final de Gaussianos sin necesidad de reentrenamiento. Esta asignación espacialmente adaptativa reduce la redundancia en regiones simples y minimiza los Gaussianos duplicados en vistas superpuestas, produciendo representaciones 3D compactas y de alta calidad. Experimentos exhaustivos demuestran que nuestro modelo logra un rendimiento superior en síntesis de vistas novedosas en comparación con métodos previos de avance directo no calibrados, utilizando significativamente menos Gaussianos.

English

Feed-forward 3D Gaussian Splatting methods enable single-pass reconstruction and real-time rendering. However, they typically adopt rigid pixel-to-Gaussian or voxel-to-Gaussian pipelines that uniformly allocate Gaussians, leading to redundant Gaussians across views. Moreover, they lack an effective mechanism to control the total number of Gaussians while maintaining reconstruction fidelity. To address these limitations, we present F4Splat, which performs Feed-Forward predictive densification for Feed-Forward 3D Gaussian Splatting, introducing a densification-score-guided allocation strategy that adaptively distributes Gaussians according to spatial complexity and multi-view overlap. Our model predicts per-region densification scores to estimate the required Gaussian density and allows explicit control over the final Gaussian budget without retraining. This spatially adaptive allocation reduces redundancy in simple regions and minimizes duplicate Gaussians across overlapping views, producing compact yet high-quality 3D representations. Extensive experiments demonstrate that our model achieves superior novel-view synthesis performance compared to prior uncalibrated feed-forward methods, while using significantly fewer Gaussians.