A Constrained Optimization Approach for Gaussian Splatting from Coarsely-posed Images and Noisy Lidar Point Clouds
计算机视觉与模式识别
2025-04-15 v1
摘要
3D 高斯溅写 (3DGS) 是一种强大的重建技术，但需要从准确的相机姿态和高保真点云初始化。通常情况下，初始化来自结构从运动 (SfM) 算法；然而，SfM 耗时且限制了 3DGS 在实际场景和大规模场景重建中的应用。我们引入一种受约束优化方法，用于同时估计相机姿态和 3D 重建，不需要 SfM 支持。我们方法的核心是将相机姿态分解为相机到 (设备-) 中心和 (设备-) 中心到世界优化的序列。为促进这一点，我们提出两种基于每个参数组敏感性并限制每个参数搜索空间的优化约束。此外，由于我们直接从噪声点云中学习场景几何，我们提出几何约束以提高重建质量。实验表明，所提出的方法在我们收集的数据集和两个公开基准上，显著优于现有的 (多模态) 3DGS 基线和使用 COLMAP 的方法。
引用
@article{arxiv.2504.09129,
title = {A Constrained Optimization Approach for Gaussian Splatting from Coarsely-posed Images and Noisy Lidar Point Clouds},
author = {Jizong Peng and Tze Ho Elden Tse and Kai Xu and Wenchao Gao and Angela Yao},
journal= {arXiv preprint arXiv:2504.09129},
year = {2025}
}