CityGaussianV2: 大规模场景的高效且几何精确重建
计算机视觉与模式识别
2025-03-05 v2
摘要
最近，3D 高斯溅射（3DGS）革新了辐射场重建，实现了高效且高保真的新视角合成。然而，由于 3DGS 的非结构化特性，准确表示表面，尤其是在大型和复杂场景中，仍然是一个重大挑战。本文提出 CityGaussianV2，一种用于大规模场景重建的新方法，解决了与几何精度和效率相关的关键挑战。基于 2D 高斯溅射（2DGS）的良好泛化能力，我们解决了其收敛性和可扩展性问题。具体而言，我们实现了基于分解梯度的密集化和深度回归技术，以消除模糊伪影并加速收敛。为实现规模化，我们引入了一种伸长滤波器，以缓解由 2DGS 退化引起的高斯数量爆炸。此外，我们优化了 CityGaussian 流水线以进行并行训练，实现了高达 10 倍的压缩、至少 25% 的训练时间节省和 50% 的内存使用减少。我们还在大规模场景下建立了标准几何基准。实验结果表明，我们的方法在视觉质量、几何精度以及存储和训练成本之间取得了有前景的平衡。项目页面位于 https://dekuliutesla.github.io/CityGaussianV2/。
引用
@article{arxiv.2411.00771,
title = {CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes},
author = {Yang Liu and Chuanchen Luo and Zhongkai Mao and Junran Peng and Zhaoxiang Zhang},
journal= {arXiv preprint arXiv:2411.00771},
year = {2025}
}
备注
Accepted by ICLR2025