CompactSplat: Spatially Adaptive Gaussian Distribution for Feedforward Scene Reconstruction

📄 arXiv: 2610.13177v1 📥 PDF

作者: Bing He, Jingnan Gao, Yunuo Chen, Zhengxue Cheng, Rong Xie, Li Song, Wenjun Zhang

分类: cs.CV

发布日期: 2026-10-09

备注: NeuRIPS2026, Generalizable reconstruction, 3DGS, 2DGS

💡 一句话要点

提出CompactSplat以解决稀疏视图下3D场景重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D场景重建 高斯分配 纹理引导 动态稀疏性 前馈框架

📋 核心要点

  1. 现有方法在稀疏视图下重建3D场景时，难以准确恢复几何形状和细节纹理，且高斯分配方式导致冗余表示。
  2. CompactSplat通过内容感知的3D高斯分配，结合纹理引导的空间分区和分层采样，优化了原始数据的分布。
  3. 在多个数据集上，CompactSplat在重建质量和渲染一致性方面显著优于现有方法，且使用的原始数据数量大幅减少。

📝 摘要（中文）

从稀疏视图重建3D场景而不进行每场景优化仍然具有很大挑战，尤其是在恢复准确几何形状和细腻纹理方面。尽管近期的前馈方法利用了通用的3D高斯点云生成技术，但通常会将一个或多个高斯分配给每个像素。这种均匀分配不仅导致在均匀区域浪费原始数据，还未能充分利用平面表面的几何先验，常常导致结构建模不佳。为了解决这些问题，我们提出了CompactSplat，这是一种新颖的前馈框架，能够实现内容感知的3D高斯分配。通过结合纹理引导的空间分区和分层采样，CompactSplat自适应地分配原始数据，在复杂区域集中分布密集的高斯，而在平坦区域则使用扩展的、尺度调制的原始数据。此外，我们的框架在推理时本质上支持动态稀疏性控制，实现渲染保真度与内存占用之间的无缝权衡，而无需重新训练网络。在RealEstate10K、DL3DV和ScanNet上的大量实验表明，CompactSplat在标准指标和高分辨率渲染一致性方面始终优于先前的方法，实现了高保真重建且使用的原始数据显著减少。

🔬 方法详解

问题定义：论文旨在解决从稀疏视图重建3D场景时的几何和纹理恢复问题。现有方法通过均匀分配高斯，导致在均匀区域浪费原始数据，且未能有效利用几何先验。

核心思路：CompactSplat的核心思路是实现内容感知的3D高斯分配，通过纹理引导的空间分区和分层采样，动态调整高斯的分布，以适应场景的复杂性。

技术框架：整体框架包括三个主要模块：首先是纹理引导的空间分区，其次是分层采样，最后是动态稀疏性控制模块。这些模块协同工作，实现高效的高斯分配。

关键创新：最重要的技术创新在于自适应分配高斯的能力，能够在复杂区域集中高斯，而在平坦区域使用扩展的高斯。这种方法与传统的均匀分配方式本质上不同，显著提高了重建效果。

关键设计：在设计中，采用了动态稀疏性控制机制，允许在推理时根据需求调整渲染保真度与内存占用的平衡，且无需重新训练网络。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在RealEstate10K、DL3DV和ScanNet数据集上的实验结果显示，CompactSplat在标准指标上均优于现有方法，且在高分辨率渲染一致性方面表现出色。具体而言，CompactSplat在使用显著更少的原始数据的情况下，实现了高保真重建，提升幅度明显。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、增强现实和游戏开发等3D场景重建任务。通过提高重建质量和效率，CompactSplat能够在实际应用中提供更高的用户体验和更低的计算资源消耗，未来可能推动相关技术的广泛应用与发展。

📄 摘要（原文）

Reconstructing 3D scenes from sparse views without per-scene optimization remains highly challenging, especially for recovering accurate geometry and fine textures. While recent feedforward approaches leverage generalizable 3D Gaussian Splatting (3DGS) for scene generation, they typically assign one or multiple Gaussians to each pixel. Such uniform allocation not only produces highly redundant representations by wasting primitives in homogeneous areas, but also fails to exploit the inherent geometric priors of planar surfaces, often resulting in sub-optimal structural modeling. To address these limitations, we present CompactSplat, a novel feedforward framework that enables a content-aware allocation of 3D Gaussians. By integrating texture-guided spatial partitioning with hierarchical sampling, CompactSplat adaptively distributes primitives - concentrating dense Gaussians in complex regions while tiling flat areas with expanded, scale-modulated primitives. Moreover, our framework inherently supports dynamic sparsity control at inference time, enabling seamless trade-offs between rendering fidelity and memory footprint without requiring network retraining. Extensive experiments on RealEstate10K, DL3DV, and ScanNet demonstrate that CompactSplat consistently outperforms prior methods on both standard metrics and high-resolution rendering consistency, achieving high-fidelity reconstructions with significantly fewer primitives.