Matriosca de Splatting Gaussiano

Resumo

A capacidade de renderizar cenas com fidelidade ajustável a partir de um único modelo, conhecida como nível de detalhe (LoD), é crucial para a implantação prática do *3D Gaussian Splatting* (3DGS). Os métodos discretos de LoD existentes expõem apenas um conjunto limitado de pontos de operação, enquanto as abordagens concorrentes de LoD contínuo permitem uma escala mais suave, mas frequentemente sofrem com degradação perceptível da qualidade na capacidade máxima, tornando o LoD uma decisão de projeto custosa. Apresentamos o *Matryoshka Gaussian Splatting* (MGS), uma estrutura de treinamento que permite LoD contínuo para os *pipelines* padrão do 3DGS sem sacrificar a qualidade de renderização em capacidade máxima. O MGS aprende um único conjunto ordenado de Gaussianas, de modo que a renderização de qualquer prefixo - os primeiros k *splats* - produz uma reconstrução coerente cuja fidelidade melhora suavemente com o aumento do orçamento (*budget*). Nossa ideia principal é o treinamento estocástico com orçamento: cada iteração amostra um orçamento de *splat* aleatório e otimiza tanto o prefixo correspondente quanto o conjunto completo. Esta estratégia requer apenas duas passagens diretas (*forward passes*) e não introduz modificações arquiteturais. Experimentos em quatro *benchmarks* e seis *baselines* mostram que o MGS corresponde ao desempenho em capacidade máxima de sua estrutura base, ao mesmo tempo que permite um compromisso contínuo entre velocidade e qualidade a partir de um único modelo. Ablações extensas sobre estratégias de ordenação, objetivos de treinamento e capacidade do modelo validam ainda mais os projetos.

English

The ability to render scenes at adjustable fidelity from a single model, known as level of detail (LoD), is crucial for practical deployment of 3D Gaussian Splatting (3DGS). Existing discrete LoD methods expose only a limited set of operating points, while concurrent continuous LoD approaches enable smoother scaling but often suffer noticeable quality degradation at full capacity, making LoD a costly design decision. We introduce Matryoshka Gaussian Splatting (MGS), a training framework that enables continuous LoD for standard 3DGS pipelines without sacrificing full-capacity rendering quality. MGS learns a single ordered set of Gaussians such that rendering any prefix, the first k splats, produces a coherent reconstruction whose fidelity improves smoothly with increasing budget. Our key idea is stochastic budget training: each iteration samples a random splat budget and optimises both the corresponding prefix and the full set. This strategy requires only two forward passes and introduces no architectural modifications. Experiments across four benchmarks and six baselines show that MGS matches the full-capacity performance of its backbone while enabling a continuous speed-quality trade-off from a single model. Extensive ablations on ordering strategies, training objectives, and model capacity further validate the designs.