通过直接 SDF 学习从 3D 高斯实现精确完整的表面重建
计算机视觉与模式识别
2025-09-23 v2 计算几何
摘要
3D Gaussian Splatting (3DGS) 最近作为一种用于逼真视图合成的强大范式而出现，通过空间分布的高斯基元表示场景。虽然 3DGS 在渲染方面非常有效，但由于表示的非结构化性质和缺乏显式的几何监督，实现精确且完整的表面重建仍然具有挑战性。在本工作中，我们提出了 DiGS，一个将 Signed Distance Field (SDF) 学习直接嵌入 3DGS 流程的统一框架，从而强制实施强且可解释的表面先验。通过将每个高斯与一个可学习的 SDF 值关联，DiGS 显式地将基元与底层几何对齐，并改善了跨视图一致性。为进一步确保密集且连贯的覆盖，我们设计了一种几何引导的网格增长策略，在多尺度层级下沿几何一致区域自适应地分布高斯。在标准基准上的大量实验，包括 DTU、Mip-NeRF 360 和 Tanks& Temples，表明 DiGS 在保持高渲染保真度的同时，持续提升了重建精度和完整性。
引用
@article{arxiv.2509.07493,
title = {Accurate and Complete Surface Reconstruction from 3D Gaussians via Direct SDF Learning},
author = {Wenzhi Guo and Bing Wang},
journal= {arXiv preprint arXiv:2509.07493},
year = {2025}
}