Confident Splatting: Compressão Baseada em Confiança de Splatting 3D com Gaussianas via Distribuições Beta Aprendíveis

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

June 28, 2025

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

cs.AI

Resumo

O 3D Gaussian Splatting permite renderização em tempo real de alta qualidade, mas frequentemente produz milhões de splats, resultando em sobrecarga excessiva de armazenamento e computação. Propomos um novo método de compressão com perdas baseado em escores de confiança aprendíveis, modelados como distribuições Beta. A confiança de cada splat é otimizada por meio de perdas conscientes da reconstrução, permitindo a poda de splats de baixa confiança enquanto preserva a fidelidade visual. A abordagem proposta é independente de arquitetura e pode ser aplicada a qualquer variante do Gaussian Splatting. Além disso, os valores médios de confiança servem como uma nova métrica para avaliar a qualidade da cena. Experimentos extensivos demonstram compensações favoráveis entre compressão e fidelidade em comparação com trabalhos anteriores. Nosso código e dados estão publicamente disponíveis em 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