自信喷溅：基于可学习 Beta 分布的 3D 高斯溅射置信度压缩
图形学
2025-07-01 v1 计算机视觉与模式识别
摘要
3D 高斯溅射使能够实现高质量的实时渲染，但常常会产生数百万个溅射，导致存储和计算开销过大。我们提出了一种新型有损压缩方法，基于建模为 Beta 分布的可学习置信度得分来实现。每个溅射的置信度通过重建感知损失进行优化，以实现低置信度溅射的修剪，同时保持视觉保真度。该方法具有模型中性，可应用于任何高斯溅射变体。此外，平均置信度值作为评估场景质量的新指标。大量实验表明，我们的方法在压缩与保真度之间实现了有利的权衡，优于先前工作。我们的代码和数据已公开于 https://github.com/amirhossein-razlighi/Confident-Splatting。
引用
@article{arxiv.2506.22973,
title = {Confident Splatting: Confidence-Based Compression of 3D Gaussian Splatting via Learnable Beta Distributions},
author = {AmirHossein Naghi Razlighi and Elaheh Badali Golezani and Shohreh Kasaei},
journal= {arXiv preprint arXiv:2506.22973},
year = {2025}
}