F4Splat: Прогрессивное прогнозирующее уплотнение для прямого распространения 3D-гауссовых сплатов

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

March 22, 2026

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

cs.AI

Аннотация

Методы прямого прохода 3D гауссовского сглаживания позволяют осуществлять реконструкцию за один проход и рендеринг в реальном времени. Однако они обычно используют жесткие конвейеры «пиксель-Гаусс» или «воксель-Гаусс», которые равномерно распределяют гауссовы функции, что приводит к избыточности гауссовых функций между различными ракурсами. Более того, в них отсутствует эффективный механизм для контроля общего количества гауссовых функций при сохранении точности реконструкции. Для решения этих проблем мы представляем F4Splat, который выполняет прогнозируемое уплотнение для методов прямого прохода 3D гауссовского сглаживания, вводя стратегию распределения, управляемую оценкой уплотнения. Эта стратегия адаптивно распределяет гауссовы функции в соответствии с пространственной сложностью и степенью перекрытия между ракурсами. Наша модель прогнозирует оценки уплотнения для каждой области, чтобы оценить требуемую плотность гауссовых функций, и позволяет явно контролировать итоговый бюджет гауссовых функций без переобучения. Такое пространственно-адаптивное распределение снижает избыточность в простых областях и минимизирует дублирование гауссовых функций в перекрывающихся ракурсах, создавая компактные, но качественные 3D-представления. Многочисленные эксперименты демонстрируют, что наша модель превосходит предыдущие методы прямого прохода без калибровки по качеству синтеза новых видов, используя при этом значительно меньше гауссовых функций.

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.