F4Splat: Voorspellende Verdichting via Feed-Forward voor Feed-Forward 3D Gaussische Splatting

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

March 22, 2026

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

cs.AI

Samenvatting

Feed-forward 3D Gaussian Splatting-methoden maken single-pass reconstructie en real-time rendering mogelijk. Ze hanteren echter typisch rigide pixel-naar-Gaussiaan- of voxel-naar-Gaussiaan-pipelines die Gaussiaanse verdelingen uniform toewijzen, wat leidt tot redundante Gaussiaanse verdelingen tussen verschillende viewpoints. Bovendien ontbreekt een effectief mechanisme om het totale aantal Gaussiaanse verdelingen te controleren terwijl de reconstructiekwaliteit behouden blijft. Om deze beperkingen aan te pakken, presenteren we F4Splat, dat Feed-Forward predictieve verdichting uitvoert voor Feed-Forward 3D Gaussian Splatting door een toewijzingsstrategie te introduceren die geleid wordt door verdichtingsscores. Deze strategie deelt Gaussiaanse verdelingen adaptief toe op basis van ruimtelijke complexiteit en multi-view overlap. Ons model voorspelt verdichtingsscores per regio om de vereiste Gaussiaanse dichtheid in te schatten en maakt expliciete controle over het uiteindelijke Gaussiaanse budget mogelijk zonder hertraining. Deze ruimtelijk adaptieve toewijzing vermindert redundantie in eenvoudige regio's en minimaliseert dubbele Gaussiaanse verdelingen in overlappende viewpoints, wat compacte maar hoogkwalitatieve 3D-representaties oplevert. Uitgebreide experimenten tonen aan dat ons model superieure novel-view synthesis prestaties bereikt in vergelijking met eerdere ongekalibreerde feed-forward methoden, terwijl het significant minder Gaussiaanse verdelingen gebruikt.

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.