Confident Splatting: 学習可能なベータ分布を用いた3Dガウススプラッティングの信頼度ベース圧縮

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

June 28, 2025

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

cs.AI

要旨

3Dガウススプラッティングは高品質なリアルタイムレンダリングを可能にしますが、しばしば数百万のスプラットを生成し、過剰なストレージと計算オーバーヘッドを引き起こします。我々は、ベータ分布としてモデル化された学習可能な信頼スコアに基づく新しい非可逆圧縮手法を提案します。各スプラットの信頼度は、再構成を意識した損失関数を通じて最適化され、視覚的忠実度を保ちながら低信頼度のスプラットを刈り込むことを可能にします。提案手法はアーキテクチャに依存せず、任意のガウススプラッティングのバリエーションに適用可能です。さらに、平均信頼度値はシーンの品質を評価する新しい指標として機能します。広範な実験により、従来の研究と比較して圧縮率と忠実度の間で良好なトレードオフが実証されています。我々のコードとデータは以下のURLで公開されています： 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