Splatting Confiant : Compression Basée sur la Confiance pour le Splatting de Gaussiennes 3D via des Distributions Beta Apprenables

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

June 28, 2025

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

cs.AI

Résumé

Le 3D Gaussian Splatting permet un rendu en temps réel de haute qualité, mais génère souvent des millions de splats, entraînant un surcoût de stockage et de calcul excessif. Nous proposons une nouvelle méthode de compression avec perte basée sur des scores de confiance apprenables modélisés par des distributions Beta. La confiance de chaque splat est optimisée via des pertes sensibles à la reconstruction, permettant l'élagage des splats à faible confiance tout en préservant la fidélité visuelle. L'approche proposée est indépendante de l'architecture et peut être appliquée à toute variante de Gaussian Splatting. De plus, les valeurs moyennes de confiance servent de nouvelle métrique pour évaluer la qualité de la scène. Des expériences approfondies démontrent des compromis favorables entre compression et fidélité par rapport aux travaux antérieurs. Notre code et nos données sont disponibles publiquement à l'adresse suivante : 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