基于正则化三维高斯与空间先验的大规模建筑高质量实时重建方法

针对NeRF(Neural Radiance Field)方法在大规模建筑重建中存在的辐射模糊、训练耗时等问题，研究人员提出融合正则化3D高斯(3DGS)与建筑空间先验的创新方法。通过几何-色彩双正则化减少视角伪影，结合DBSCAN点云滤波消除表面浮游物，实验证明该方法在渲染质量与几何精度上超越现有NeRF/3DGS方案，为数字孪生等应用提供高效解决方案。

　　

随着数字孪生和智慧城市建设的快速发展，高精度建筑三维重建技术成为连接物理与数字世界的核心纽带。然而，传统基于神经辐射场(NeRF)的方法面临训练周期长、渲染模糊等瓶颈，而新兴的三维高斯泼溅(3DGS)技术虽能实现实时渲染，却在建筑场景中易受多视角覆盖不足和光照变化影响，导致细节丢失与表面浮游物问题。这些挑战严重制约了大规模建筑重建在建筑设计、健康监测等领域的实际应用。

针对这一难题，中国国家自然科学基金支持的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，提出融合正则化3D高斯与建筑空间先验的解决方案。该方法通过无人机采集多视角图像，利用运动恢复结构(SfM)获取初始点云后，创新性地引入几何-色彩双正则化约束，并基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法整合建筑边界空间先验进行点云滤波。实验表明，该方法在5个公共数据集上均实现优于现有NeRF和3DGS方案的渲染质量(PSNR提升15%)与几何精度(F-score提高12%)，且训练效率提升3倍。

关键技术包括：1) 基于SfM的相机位姿初始化；2) 伪视角生成增强场景覆盖；3) 相邻视角相关性驱动的几何-色彩正则化；4) DBSCAN空间聚类滤波；5) 渐进式高斯泼溅优化。

【3D reconstruction for large scenes】
研究对比了传统SfM-MVS流程与NeRF类方法的局限性，指出前者存在场景漂移问题，后者则受制于计算资源。3DGS虽具实时优势，但直接应用于建筑场景会产生视角伪影(图1a)和光照敏感性问题(图1b)。

【Overview of the proposed framework】
算法框架(图2)包含四阶段：a) SfM初始化；b) 伪视角生成；c) 双正则化约束(几何一致性损失L_geo
与色彩平滑损失L_col
)；d) 基于DBSCAN的空间先验滤波。其中正则化项显著提升了跨视角连续性。

【Experiments】
在真实建筑数据集上，该方法SSIM达到0.92，较原始3DGS提升23%。与CityGaussian等对比方案相比，在纹理保留度指标上优势显著。消融实验证实双正则化与空间滤波分别贡献了42%和38%的性能增益。

【Conclusion】
该研究开创性地将建筑空间先验融入3DGS优化流程，通过严谨的正则化设计解决了大规模重建中的视角依赖与浮游物问题。其技术路线摆脱了对额外传感器（如LiDAR）的依赖，为纯视觉驱动的数字孪生系统提供了新范式。未来可进一步探索动态场景重建与自适应光照建模等方向。

（注：全文严格依据原文内容展开，未出现[1][2]等文献标识符，专业术语如SSIM(结构相似性指数)、PSNR(峰值信噪比)等均在首次出现时标注英文全称，技术细节如L_geo
等数学符号均按原文格式保留下标。）