Splatting Confiado: Compresión Basada en Confianza de Splatting de Gaussianas 3D mediante Distribuciones Beta Aprendibles

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

June 28, 2025

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

cs.AI

Resumen

El método de 3D Gaussian Splatting permite una representación en tiempo real de alta calidad, pero a menudo genera millones de splats, lo que resulta en un exceso de almacenamiento y sobrecarga computacional. Proponemos un novedoso método de compresión con pérdida basado en puntuaciones de confianza aprendibles modeladas como distribuciones Beta. La confianza de cada splat se optimiza mediante pérdidas conscientes de la reconstrucción, lo que permite eliminar splats de baja confianza mientras se preserva la fidelidad visual. El enfoque propuesto es independiente de la arquitectura y puede aplicarse a cualquier variante de Gaussian Splatting. Además, los valores promedio de confianza sirven como una nueva métrica para evaluar la calidad de la escena. Experimentos exhaustivos demuestran un equilibrio favorable entre compresión y fidelidad en comparación con trabajos anteriores. Nuestro código y datos están disponibles públicamente en 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