基于多视角云（MVS Clouds）的高保真高斯散布（High-Fidelity Gaussian Splatting）：一种迭代空间分解框架

《ACM Transactions on Multimedia Computing, Communications, and Applications》：High-Fidelity Gaussian Splatting from MVS Clouds: An Iterative Spatial Decomposition framework

　　

摘要 AI摘要

要查看此人工智能生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

3D高斯分割已成为快速3D场景重建和编辑的主要技术，它利用高效且灵活的显式表示方法实现高保真实时渲染。然而，用于初始化高斯点的点云质量是一个关键因素，限制了细粒度几何重建的能力。为了解决这一限制，我们提出了一个迭代空间分解（ISD）框架，该框架将多视图立体（MVS）的密集几何先验与高斯分割相结合。ISD通过迭代地将场景划分为自适应粒度的体素，并执行考虑密度的点分配，来减轻密集MVS点云与高斯稀疏性之间的不匹配。在ISD的基础上，我们引入了分层几何先验采样（HGPS），大幅减少了MVS点云中的冗余信息，同时保留了关键细节，从而为重建提供了更稳固的几何基础。我们进一步开发了分层几何感知初始化（HGI），它使用基于体素半径的自适应参数初始化，并用批量计算替换了迭代KNN流程，使得高斯初始化更加高效和稳健。此外，我们还提出了一种分层几何感知密集化（HGD）方法。通过体素约束动态识别过度重建或重建不足的区域，HGD提高了细节重建的质量，同时控制了存储开销。在Mip-NeRF360、Tanks & Temples和Deep Blending等数据集上的广泛实验表明，这种方法在渲染质量上有了显著提升，达到了最先进的LPIPS性能。这些结果表明，我们的方法有效缓解了初始点云几何先验的不足，恢复了更丰富的几何细节。

AI摘要

人工智能生成的摘要（实验性）

此摘要是由自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现研究内容、评估文章的相关性，并协助来自相关研究领域的读者理解该研究。它是对作者提供的摘要的补充，而作者提供的摘要仍然是论文的官方摘要。完整文章仍然是权威版本。点击这里了解更多。

点击这里对摘要的准确性、清晰度和实用性发表评论。您的反馈将有助于改进未来的版本。

要查看此人工智能生成的通俗语言摘要，您必须具有高级访问权限。