基于自约束先验的 3D 高斯溅写与高保真表面重建
计算机视觉与模式识别
2026-03-27 v2
摘要
3D 表面渲染在 radiance 场建模中被 3DGS 或 NeRF 所革新。尽管 3DGS 在渲染质量或速度方面显示出优势，但在通过 3DGS 恢复高保真表面方面仍有提升空间。为解决此问题，我们提出一种自约束先验来约束 3D 高斯的学习，以实现更精确的深度渲染。我们的自约束先验来源于通过融合使用当前 3D 高斯渲染的深度图获得的 TSDF 网格。该先验在估计表面周围测量距离场，为对 3D 高斯施加更具体的约束提供带中心在表面上的带宽，例如移除带外的高斯、将高斯靠近表面，以及以几何感知的方式鼓励更大或更小的不透明度。更重要的是，我们的先验可以通过最近渲染的深度图像定期更新，这些图像通常更准确且更完整。此外，该先验还能逐步缩小带宽，以紧密施加约束。我们在广泛使用的基准测试上论证了我们的想法并报告了相对于最先进方法的优势。
引用
@article{arxiv.2603.19682,
title = {3D Gaussian Splatting with Self-Constrained Priors for High Fidelity Surface Reconstruction},
author = {Takeshi Noda and Yu-Shen Liu and Zhizhong Han},
journal= {arXiv preprint arXiv:2603.19682},
year = {2026}
}
备注
Accepted by CVPR 2026. Project page: https://takeshie.github.io/GSPrior