《Smart Agricultural Technology》：GAPose-GS: Globally Adaptive Pose-Optimized Gaussian Splatting for Plant 3D Reconstruction towards More Precise Phenotyping
编辑推荐：
本文提出了一种创新的GAPose-GS算法，通过融合全局自适应姿态优化与高斯溅射渲染技术，有效解决了植物三维重建中的特征依赖和误差累积难题。实验表明，该算法在PSNR和SSIM指标上显著优于NeRF、Instant-NGP和3DGS等方法，其提取的株高、冠幅等表型参数与实测值高度吻合（R2>0.95），为作物高通量表型研究提供了新思路。
2. 材料与方法
2.1. 实验装置与实验材料
研究采用"相机绕植物"的采集模式，构建了环形轨道成像系统。通过步进电机驱动安装有1-3台相机的可调拍摄杆，以17秒/圈的转速采集辣椒植株的多视角视频序列。实验在西北农林科技大学农业农村部农业物联网重点实验室的人工气候室内进行，以辣椒幼苗（拉天霞18号）为研究对象，在初花期进行环拍视频数据采集。
2.2. GAPose-GS方法
GAPose-GS方法的核心创新在于将全局运动恢复结构机制与高斯溅射技术相结合。该方法首先通过FFmpeg框架从多视角视频中提取训练数据（每秒2帧），随后采用RootSIFT特征和词袋模型进行局部特征检测和描述子提取。通过双向比率匹配建立初始匹配关系，并利用RANSAC算法消除因植物动态变形或遮挡引起的误匹配。
该方法构建了层次场景图G=(V,E,W)，其中顶点集V代表输入图像序列中的每一帧，边集E代表具有几何一致性的图像对。边权重整合了几何、光照和语义信息，通过旋转平均求解全局相机旋转，并采用基于Huber鲁棒核函数的优化模型减少误匹配的影响。
GAPose-GS引入了相机-点云联合优化策略，将相机位姿估计与三维结构重建统一在全局优化框架中。对于大规模场景，还引入了基于共视矩阵强连通分量分解的相机聚类后处理模块，有效解决了图像集中的多场景粘连问题。
在获取相机参数和初始点云后，该方法将生成的稀疏点云转化为可动态优化的三维高斯椭球体。每个高斯椭球体由其均值向量μ（位置）、协方差矩阵Σ（形状）、不透明度α和球谐系数（颜色）表征。通过可微分优化过程，不断比较生成图像与训练视图中的真实数据，通过反向传播不仅优化高斯参数的梯度信息，还驱动动态密度调整机制。
2.3. 点云预处理方法
针对GAPose-GS算法生成的点云数据存在冗余背景点和噪声的问题，研究采用了直通滤波和统计离群值去除滤波（SOR）进行预处理。直通滤波通过指定维度和值范围来去除不必要的点，SOR滤波则通过分析点云的局部密度来消除离群值。经预处理后，点云数据从初始的97,728个点减少到96,109个点，去噪率约为1.66%，有效保留了叶片尖端、边缘特征和茎干结构等细节。
2.4. 表型性状提取方法
研究采用带Delaunay过滤的并行Alpha-Shape（PASDF）边缘提取算法获取辣椒植株的边缘轮廓。株高定义为从植株基部到顶部叶尖的垂直距离，冠幅定义为植株冠层在两个水平方向上最大冠幅的平均值，叶柄角则通过计算叶片初始生长方向与茎局部生长方向之间的空间向量夹角获得。
2.5. 评价方法
在数据采集评价中，采用采集时间（ACQ_time）和峰值信噪比（PSNR）作为关键性能指标。在三维重建评价中，除了训练时间和PSNR外，还引入了结构相似性指数（SSIM）和重建时间（RC2_time）作为额外评价标准。在表型提取评价中，采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）作为评价指标。
3. 结果与讨论
3.1. 数据采集方法评价
比较不同采集方法的ACQ_time和PSNR值后发现，转速为17秒/圈、每圈3个拍摄角度、单圈旋转（17/3/1）的策略在平衡重建质量和效率方面具有显著优势。该策略仅需51秒即可完成数据采集，为算法提供了足够的角度信息密度，且PSNR表现优于其他方法。
3.2. 三维重建方法评价
在重建质量方面，GAPose-GS的PSNR比3DGS提高4.2%至35.980 dB，SSIM提高4.3%至0.971，显著优于Instant-NGP和NeRF。在计算效率方面，GAPose-GS的重建时间比3DGS缩短10.9%，比NeRF提高93.2%。视觉质量上，GAPose-GS在细节恢复、几何精度和视觉保真度方面均表现出明显优势，叶片脉络清晰可见，茎干纹理层次分明。
3.3. 点云预处理结果
直通滤波和SOR滤波有效去除了目标植株周围的冗余背景点和噪声，去噪率为1.66%。预处理后的点云数据为后续表型性状的准确提取奠定了基础，同时降低了后续处理的计算复杂度。
3.4. 表型数据评价
表型验证结果表明，基于GAPose-GS计算的株高（R2=0.997，RMSE=0.236，MAE=0.209）、冠幅（R2=0.954，RMSE=1.082，MAE=0.880）和叶柄角（R2=0.978，RMSE=2.344°，MAE=1.965）与实测值高度相关，表明该方法能够准确、快速地计算植物的表型性状。
3.5. 泛化验证
为验证方法的普适性，研究在小麦和玉米的多时期数据集上进行了评估。对于小麦的苗期、分蘖期和灌浆期，以及玉米的苗期、拔节期和抽穗期，GAPose-GS的PSNR均超过35 dB，SSIM超过0.95，株高和冠幅等表型参数的计算误差保持在3%以内。即使在结构复杂的灌浆期冠层，该方法仍能通过动态高斯优化机制保持测量精度。
4. 结论
GAPose-GS方法通过整合全局优化和神经渲染技术，在植物三维重建中展现出显著优势。在保证高效重建速度的同时，其重建精度显著优于NeRF、Instant-NGP和3DGS，在动态场景中表现出更强的鲁棒性。结合点云预处理和PASDF算法，能够实现植物表型参数的高精度提取，为作物生长监测、精准育种和栽培管理提供了可靠的技术支持。
