AH-GS：用于高频细节表示的增强型 3D 高斯溅写
计算机视觉与模式识别
2026-01-06 v2 人工智能
摘要
3D 高斯溅写（3D-GS）是一种用于场景表示和视图合成的新方法。虽然 Scaffold-GS 在原版 3D-GS 基础上实现了更高质量的实时渲染，但其对场景的细粒度渲染极大依赖于充足的观察角度。神经网络学习的谱偏差导致 Scaffold-GS 难以感知和学习场景中的高频信息。本文提出增强输入特征的流形复杂度，并使用基于网络的特征图损失来提高 3D-GS 模型的图像重建质量。我们引入 AH-GS，使结构复杂区域的 3D 高斯获得更高频率的编码，从而使模型更有效地学习场景的高频信息。此外，我们引入高频增强损失进一步提升模型捕获细节频率信息的能力。我们的实验结果表明，该模型显著提高了渲染保真度，在特定场景（例如 MipNeRf360-garden）中，只需 15K 次迭代即可超越 Scaffold-GS 的渲染质量。
关键词
引用
@article{arxiv.2503.22324,
title = {AH-GS: Augmented 3D Gaussian Splatting for High-Frequency Detail Representation},
author = {Chenyang Xu and XingGuo Deng and Rui Zhong},
journal= {arXiv preprint arXiv:2503.22324},
year = {2026}
}
备注
need to revsie