Zelfverzekerde Splatting: Vertrouwensgebaseerde Compressie van 3D Gaussische Splatting via Leerbare Beta Verdelingen
Confident Splatting: Confidence-Based Compression of 3D Gaussian Splatting via Learnable Beta Distributions
June 28, 2025
Auteurs: AmirHossein Naghi Razlighi, Elaheh Badali Golezani, Shohreh Kasaei
cs.AI
Samenvatting
3D Gaussian Splatting maakt hoogwaardige real-time rendering mogelijk, maar produceert vaak miljoenen splats, wat leidt tot overmatige opslag en rekenkundige overhead. Wij stellen een nieuwe lossy compressiemethode voor, gebaseerd op leerbare betrouwbaarheidsscores die gemodelleerd zijn als Beta-verdelingen. De betrouwbaarheid van elke splat wordt geoptimaliseerd door reconstructiebewuste verliezen, waardoor splats met een lage betrouwbaarheid kunnen worden verwijderd terwijl de visuele kwaliteit behouden blijft. De voorgestelde aanpak is architectuuronafhankelijk en kan worden toegepast op elke variant van Gaussian Splatting. Daarnaast dienen de gemiddelde betrouwbaarheidswaarden als een nieuwe maatstaf om de kwaliteit van de scène te beoordelen. Uitgebreide experimenten tonen gunstige afwegingen tussen compressie en kwaliteit in vergelijking met eerder werk. Onze code en gegevens zijn openbaar beschikbaar op 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