F4Splat: Addensamento Predittivo Feed-Forward per il Gaussian Splatting 3D Feed-Forward

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

March 22, 2026

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

cs.AI

Abstract

I metodi feed-forward di 3D Gaussian Splatting consentono una ricostruzione single-pass e un rendering in tempo reale. Tuttavia, essi adottano tipicamente pipeline rigide pixel-to-Gaussian o voxel-to-Gaussian che allocano i Gaussian in modo uniforme, portando a Gaussian ridondanti tra le diverse viste. Inoltre, mancano di un meccanismo efficace per controllare il numero totale di Gaussian mantenendo al contempo la fedeltà della ricostruzione. Per affrontare queste limitazioni, presentiamo F4Splat, che esegue una densificazione predittiva feed-forward per il 3D Gaussian Splatting feed-forward, introducendo una strategia di allocazione guidata da un punteggio di densificazione che distribuisce i Gaussian in modo adattivo in base alla complessità spaziale e alla sovrapposizione multi-vista. Il nostro modello predice punteggi di densificazione per regione per stimare la densità di Gaussian richiesta e consente un controllo esplicito sul budget finale di Gaussian senza necessità di riaddestramento. Questa allocazione spazialmente adattiva riduce la ridondanza nelle regioni semplici e minimizza i Gaussian duplicati tra viste sovrapposte, producendo rappresentazioni 3D compatte ma di alta qualità. Esperimenti estensivi dimostrano che il nostro modello raggiunge prestazioni superiori nella sintesi di nuove viste rispetto ai precedenti metodi feed-forward non calibrati, utilizzando un numero significativamente inferiore di Gaussian.

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.