Le 3DGS (3D Gaussian Splatting) a fait de grands progrès dans la synthèse de vues innovantes, mais son déploiement sur des appareils légers est difficile en raison du grand nombre de primitives gaussiennes requises. Dans cet article, nous proposons ProtoGS, qui apprend des prototypes gaussiens pour représenter des primitives gaussiennes. ProtoGS préserve la qualité visuelle tout en réduisant considérablement le nombre de gaussiennes. Il utilise directement des prototypes gaussiens pour un rendu efficace et induit l'apprentissage des prototypes grâce à la perte de reconstruction. Pour améliorer encore l'efficacité mémoire, nous regroupons les primitives gaussiennes en utilisant des points SfM comme points d'ancrage. Au sein de chaque groupe, nous dérivons des prototypes gaussiens par clustering K-means et optimisons conjointement les points d'ancrage et les prototypes. Les résultats expérimentaux sur des jeux de données réels et synthétiques montrent que cette méthode surpasse les méthodes existantes, permettant une réduction importante du nombre de gaussiennes et une vitesse de rendu élevée tout en maintenant ou en améliorant la fidélité du rendu.
