본 논문은 3D Gaussian Splatting (3DGS)에 2D 기반 모델의 풍부한 정보를 효율적으로 통합하는 새로운 방법인 CF3(Compact and Fast 3D Gaussian feature fields)를 제안합니다. 기존의 bottom-up 방식 대신 top-down 방식을 채택하여, 사전 훈련된 Gaussian을 이용한 다중 뷰 2D 특징들의 가중치 합성을 수행합니다. 이를 통해 2D 영역에서의 autoencoder 훈련 대신, lifted features 상에서 직접 per-Gaussian autoencoder를 훈련하여 특징 분포와의 정렬을 개선합니다. 또한, 중복된 Gaussian을 제거하고 병합하면서 Gaussian 속성을 최적화하는 적응형 sparsification 기법을 도입하여 기하학적 세부 정보를 유지하면서 효율적인 표현을 구축합니다. 결과적으로, Feature-3DGS 대비 5% 수준의 Gaussian만을 사용하면서 경쟁력 있는 3D 특징 필드를 생성합니다.
