打破恶性循环：从稀疏和运动模糊视图实现连贯的 3D 高斯溅射

3D 高斯溅射（3DGS）已成为新视角合成的前沿方法，但其性能高度依赖密集且高质量的输入图像，而现实应用中往往违反这一假设，数据通常稀疏且受运动模糊影响。这两个问题形成恶性循环：稀疏视图忽略必要的多视图约束以解决运动模糊，而运动模糊又消除了对齐有限视图至关重要的高频细节。因此，重建常常会发生灾难性失败，出现视图碎片化并偏向低频。为打破这一循环，我们引入 CoherentGS，一个用于从稀疏和模糊图像进行高保真 3D 重建的新框架。我们的关键洞察是使用双先验策略来解决这类复合退化。具体而言，我们结合两个预训练的生成模型：一个专门用于恢复锐利细节并提供光度引导的去模糊网络，以及一个提供几何先验的扩散模型，以填充场景中未观察到的区域。该双先验策略得到多个关键技术的支持，包括一致性引导的相机探索模块用于自适应引导生成过程，以及确保几何合理性的深度正则化损失。我们通过定性和定量实验评估了 CoherentGS，在合成和真实场景中均使用最少的 3、6 和 9 个输入视图。我们的结果表明，CoherentGS 显著优于现有方法，为这一具有挑战性的任务设定了新的最先进水平。代码和视频演示可在 https://potatobigroom.github.io/CoherentGS/ 查看。