Este artículo propone campos de características gaussianas 3D compactos y rápidos (CF3), un método novedoso para integrar eficientemente la rica información de modelos 2D en la dispersión gaussiana 3D (3DGS). En lugar de un enfoque ascendente tradicional, adoptamos un enfoque descendente para entrenar directamente un autocodificador por gaussiana mediante la síntesis ponderada de características 2D multivista utilizando gaussianas preentrenadas. Este enfoque produce una representación que se ajusta mejor a la distribución de características que los autocodificadores entrenados en el dominio 2D. Además, introducimos un método de esparsificación adaptativa que elimina y fusiona gaussianas redundantes para construir una representación eficiente, preservando los detalles geométricos. En consecuencia, logramos un campo de características 3D competitivo utilizando solo el 5% de las gaussianas en comparación con Feature-3DGS.
