OUSA-GS：通过自适应高斯散布技术实现室外无边界场景的实时结构一致三维重建

《Knowledge-Based Systems》：OUSA-GS: Real-time Structurally-Consistent 3D Reconstruction of Outdoor Unbounded Scenes via Adaptive Gaussian Splatting

单目无人机户外大规模场景实时3D建模中，针对深度预测尺度不一致、高斯体素管理效率低、在线优化迭代不足三大挑战，提出OUSA-GS框架，通过三重网格尺度校正模块、体素哈希加速管理模块、自适应误差感知优化策略，实现高精度实时建模与结构一致性保持。

　　在当前快速发展的无人机技术和三维建模领域，基于单目无人机图像进行大规模户外场景的实时三维重建仍然是一个具有挑战性的课题。随着技术的进步，将SLAM（同时定位与建图）与三维高斯点云（3D Gaussian Splatting，简称3DGS）相结合，成为实现在线重建的一种有前景的解决方案。然而，现有的框架在时间限制下往往难以生成高保真的三维模型，这主要是由于深度预测和优化过程中的诸多限制。本文提出了一种新的在线三维重建框架——OUSA-GS，用于大规模户外场景的实时建模，旨在提升模型的结构一致性与效率。

在户外大规模场景中，单目深度预测是提升三维结构的关键手段之一。然而，由于深度预测是基于单帧图像独立进行的，这导致了在长序列中出现尺度不一致的问题，进而影响点云的密度和结构完整性。为了应对这一问题，本文设计了一个基于三向网格的尺度校正模块（Trilateral Grid-based Scale Correction，简称TGSC），用于对单目深度预测结果进行对齐和校正，确保在长序列中保持一致的深度融合，从而生成结构稳定的点云。此外，该模块还能够有效抑制深度预测中的非线性尺度扭曲，为后续的三维高斯点云渲染提供可靠的几何基础。

另一个主要挑战是随着场景范围的扩大，三维高斯点云的数量迅速增加，这使得实时渲染和优化变得非常困难。传统的点云优化方法在处理大规模数据时，往往需要大量的计算资源和时间，而现代GPU的处理能力有限，难以支撑如此庞大的点云数量。因此，本文提出了一种基于体素哈希表的CUDA加速高斯基本体管理模块（CUDA-accelerated Gaussian Primitive Management，简称CAGP）。该模块通过哈希唯一性机制，在增量重建过程中减少冗余的基本体数量，从而提升三维高斯点云的初始化效率，并在空间分布上实现更均匀的点云生成。

此外，由于在线重建过程中时间限制较为严格，优化迭代次数通常较少，这导致了三维高斯点云模型未能充分收敛，进而影响渲染质量。为了解决这一问题，本文提出了一种自适应误差感知的局部优化策略（Adaptive Error-aware Local Optimization，简称AELO）。该策略通过分析历史关键帧的渲染误差，动态调整对关键帧的优化次数，优先优化误差较高的关键帧，同时减少已经收敛的点云的计算量。这样可以在有限的时间内实现更快速的全局高斯点云收敛，提升模型的整体质量。

在实际应用中，为了确保模型的结构一致性，本文还引入了多种优化策略和算法。首先，在特征提取和SLAM过程中，采用ORB-SLAM3算法，以实现对无人机图像序列的实时跟踪和稀疏点云的生成。其次，利用单目深度预测对稀疏点云进行填充，使其在空间分布上更加均匀，为后续的三维高斯点云渲染提供更丰富的几何信息。最后，通过自适应误差感知的局部优化策略，对关键帧进行优化，提升模型的整体精度和效率。

本文的研究成果在两个公开的无人机数据集上进行了广泛的实验验证。实验结果表明，OUSA-GS方法在渲染质量方面相比现有方法提升了5%，在帧率（FPS）方面提升了78%。这些结果验证了本文所提出方法的有效性，并表明其在大规模户外场景的实时三维重建方面具有显著优势。此外，实验还表明，OUSA-GS在处理动态环境和低纹理区域（如建筑立面和植被）时，能够保持较高的模型精度和一致性，这在传统的三维重建方法中往往难以实现。

为了进一步验证方法的可行性，本文还对OUSA-GS的各个模块进行了详细分析和优化。TGSC模块在处理单目深度预测时，能够有效对齐不同帧之间的深度信息，从而提升点云的密度和结构一致性。CAGP模块则通过哈希表机制，对高斯基本体进行管理，减少冗余计算，提升模型的效率。AELO策略则通过动态调整优化次数，提升模型的收敛速度，使其在有限的时间内达到较高的精度。

在实验过程中，本文还对不同的参数设置进行了测试和优化。例如，在三维高斯点云渲染阶段，采用了默认的参数设置，但根据实验结果，对某些关键参数进行了微调，以提升模型的整体性能。此外，为了确保实验的公平性和可比性，本文还对不同方法的计算资源和时间消耗进行了详细记录和分析。

总的来说，本文提出的OUSA-GS框架在实时三维重建方面具有显著优势。它不仅能够处理大规模户外场景的复杂性，还能在有限的时间内实现高精度的模型生成。通过结合SLAM和三维高斯点云技术，OUSA-GS能够生成结构稳定的三维模型，并在渲染质量和效率方面超越现有方法。这些成果为未来的无人机三维重建研究提供了新的思路和技术支持，同时也为数字孪生和空间智能应用提供了更加高效的解决方案。

在未来的研究中，本文认为仍有进一步优化的空间。例如，如何在更复杂的户外环境中保持模型的稳定性，如何提升三维高斯点云的渲染效率，以及如何优化关键帧的处理策略，都是值得深入探讨的问题。此外，如何在不同的无人机平台和应用场景中实现方法的通用性，也是需要进一步研究的方向。本文的研究成果不仅为三维重建技术的发展提供了新的方法，也为相关领域的应用提供了有力的技术支持。

最后，本文的作者对研究过程中使用到的工具和资源表示感谢。在撰写过程中，作者使用了ChatGPT来提高语言表达和可读性，并对内容进行了仔细的审查和编辑。此外，作者还得到了国家自然科学基金的支持，为研究的顺利进行提供了必要的资金保障。这些支持使得本文能够在理论和实践层面取得较为显著的成果，并为未来的相关研究奠定了基础。