摘要
极度稀疏视角的3D高斯散点插值（3DGS）常常会遇到深度漂移、遮挡错误以及伪影问题，这是因为训练相机之间缺乏监督信息。我们提出了一种基于稳定性引导的相对几何蒸馏（SG-RGD）框架，该框架将几何监督扩展到插值后的伪视图，并减少了不可靠区域的影响。基于扰动的伪视图稳定性（PVS）方法通过同一伪相机下正常渲染和轻微缩放扰动渲染之间的外观差异来逐像素估计连续的稳定性权重。相对几何蒸馏（RGD）利用这些权重来调整高斯渲染深度与由固定的单目模型预测的相对深度之间的尺度及位移不变性关联。渐进式多尺度伪深度训练课程（PMPC）以从粗到细的方式引入了这种监督机制。在九场景的Mip-NeRF 360三视图基准测试中，与DNGaussian相比，SG-RGD将PSNR从10.6955提高到了10.9600分贝，SSIM从0.1422提高到了0.2150分贝，同时将LPIPS从0.7146降低到了0.7100，AVGE从0.3849降低到了0.3716。在Mip-NeRF 360六视图和NeRF合成八视图的实验中，进一步研究了不同视图覆盖范围和数据分布下的性能表现。真实的几何诊断结果显示，较低的稳定性权重往往对应着更大的几何误差。所有提出的模块仅用于训练过程，同时保持了标准的3DGS推理流程。
