신뢰 기반 스플래팅: 학습 가능한 베타 분포를 통한 3D 가우시안 스플래팅의 신뢰도 기반 압축

초록

3D 가우시안 스플래팅은 고품질 실시간 렌더링을 가능하게 하지만, 종종 수백만 개의 스플랫을 생성하여 과도한 저장 공간과 계산 오버헤드를 초래합니다. 우리는 Beta 분포로 모델링된 학습 가능한 신뢰도 점수를 기반으로 한 새로운 손실 압축 방법을 제안합니다. 각 스플랫의 신뢰도는 재구성 인식 손실을 통해 최적화되어, 시각적 충실도를 유지하면서 낮은 신뢰도의 스플랫을 제거할 수 있습니다. 제안된 접근 방식은 아키텍처에 구애받지 않으며, 모든 가우시안 스플래팅 변형에 적용할 수 있습니다. 또한, 평균 신뢰도 값은 장면의 품질을 평가하는 새로운 지표로 사용됩니다. 광범위한 실험을 통해 기존 연구와 비교하여 압축과 충실도 사이의 유리한 균형을 입증했습니다. 우리의 코드와 데이터는 https://github.com/amirhossein-razlighi/Confident-Splatting에서 공개적으로 이용 가능합니다.

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

신뢰 기반 스플래팅: 학습 가능한 베타 분포를 통한 3D 가우시안 스플래팅의 신뢰도 기반 압축

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

초록

Support