将 3D Gaussian Splatting 视为马尔可夫链蒙特卡洛
计算机视觉与模式识别
2025-02-13 v3
摘要
虽然 3D Gaussian Splatting 近期在神经渲染领域变得流行，但当前方法依赖于精心设计的克隆与分裂策略来放置高斯分布，这可能导致渲染质量不佳，并依赖于良好的初始化。在本工作中，我们将 3D 高斯集合重新视为从描述场景物理表示的潜在概率分布中抽取的随机样本——换言之，即马尔可夫链蒙特卡洛 (MCMC) 样本。在此视角下，我们表明只需引入噪声，即可将 3D 高斯更新转化为随机梯度朗之万动力学 (SGLD) 更新。随后，我们将 3D Gaussian Splatting 中的致密化与剪枝策略重写为 MCMC 样本的确定性状态转移，从而将这些启发式策略从框架中移除。为此，我们将高斯的“克隆”修改为近似保持样本概率的重新定位方案。为了鼓励高效利用高斯，我们引入了一个正则化项以促进移除未使用的高斯。在各种标准评估场景中，我们表明我们的方法提供了更高的渲染质量、易于控制的高斯数量以及对初始化的鲁棒性。
引用
@article{arxiv.2404.09591,
title = {3D Gaussian Splatting as Markov Chain Monte Carlo},
author = {Shakiba Kheradmand and Daniel Rebain and Gopal Sharma and Weiwei Sun and Jeff Tseng and Hossam Isack and Abhishek Kar and Andrea Tagliasacchi and Kwang Moo Yi},
journal= {arXiv preprint arXiv:2404.09591},
year = {2025}
}