F4Splat : Densification prédictive en feed-forward pour le placage de gaussiennes 3D en feed-forward

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

March 22, 2026

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

cs.AI

Résumé

Les méthodes de splatting par gaussiennes 3D en passe unique permettent une reconstruction en une seule étape et un rendu en temps réel. Cependant, elles adoptent généralement des pipelines rigides de type pixel-à-gaussienne ou voxel-à-gaussienne qui allouent les gaussiennes de manière uniforme, entraînant une redondance des gaussiennes entre les différentes vues. De plus, elles ne disposent pas d'un mécanisme efficace pour contrôler le nombre total de gaussiennes tout en préservant la fidélité de la reconstruction. Pour résoudre ces limitations, nous présentons F4Splat, qui effectue une densification prédictive en passe unique pour le splatting par gaussiennes 3D, en introduisant une stratégie d'allocation guidée par un score de densification qui répartit adaptativement les gaussiennes selon la complexité spatiale et le chevauchement multi-vues. Notre modèle prédit des scores de densification par région pour estimer la densité gaussienne requise et permet un contrôle explicite du budget gaussien final sans réentraînement. Cette allocation spatialement adaptative réduit la redondance dans les régions simples et minimise les gaussiennes dupliquées dans les vues qui se chevauchent, produisant ainsi des représentations 3D compactes et de haute qualité. Des expériences approfondies démontrent que notre modèle atteint des performances supérieures en synthèse de nouvelles vues par rapport aux méthodes précédentes non calibrées en passe unique, tout en utilisant un nombre significativement moindre de gaussiennes.

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.