Confident Splatting: Compressione Basata sulla Confidenza di 3D Gaussian Splatting tramite Distribuzioni Beta Apprendibili

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

June 28, 2025

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

cs.AI

Abstract

Il 3D Gaussian Splatting consente un rendering in tempo reale di alta qualità, ma spesso produce milioni di splat, risultando in un eccessivo sovraccarico di archiviazione e computazione. Proponiamo un nuovo metodo di compressione lossy basato su punteggi di confidenza apprendibili modellati come distribuzioni Beta. La confidenza di ciascuno splat viene ottimizzata attraverso perdite consapevoli della ricostruzione, permettendo l'eliminazione degli splat a bassa confidenza preservando la fedeltà visiva. L'approccio proposto è indipendente dall'architettura e può essere applicato a qualsiasi variante del Gaussian Splatting. Inoltre, i valori medi di confidenza fungono da nuova metrica per valutare la qualità della scena. Esperimenti estensivi dimostrano compromessi favorevoli tra compressione e fedeltà rispetto ai lavori precedenti. Il nostro codice e i dati sono pubblicamente disponibili su 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