Cet article propose des champs de caractéristiques gaussiennes 3D compacts et rapides (CF3), une nouvelle méthode permettant d'intégrer efficacement les informations riches des modèles 2D dans le 3D Gaussian Splatting (3DGS). Au lieu d'une approche ascendante traditionnelle, nous adoptons une approche descendante pour entraîner directement un autoencodeur par gaussienne par synthèse pondérée de caractéristiques 2D multi-vues à l'aide de gaussiennes pré-entraînées. Cette approche produit une représentation plus fidèle à la distribution des caractéristiques que les autoencodeurs entraînés dans le domaine 2D. De plus, nous introduisons une méthode de parcimonie adaptative qui supprime et fusionne les gaussiennes redondantes afin de construire une représentation efficace tout en préservant les détails géométriques. Par conséquent, nous obtenons un champ de caractéristiques 3D compétitif en utilisant seulement 5 % des gaussiennes par rapport à Feature-3DGS.
