CL-Splats：基于局部优化的高斯泼溅持续学习
计算机视觉与模式识别
2025-10-17 v2
摘要
在动态3D环境中，随时间准确更新场景表示对于机器人、混合现实和具身AI等应用至关重要。随着场景演变，需要高效的方法来纳入变化，以在不重新优化整个场景的计算开销下保持最新、高质量的重建。本文介绍了CL-Splats，它从稀疏场景捕获中增量更新基于高斯泼溅的3D表示。CL-Splats集成了一个鲁棒的变化检测模块，该模块将场景中更新的组件和静态组件进行分割，从而实现有针对性的局部优化，避免不必要的重新计算。此外，CL-Splats支持存储和恢复先前的场景状态，促进时间分割和新的场景分析应用。我们的大量实验表明，CL-Splats实现了高效更新，且重建质量优于现有技术。这为未来3D场景重建任务中的实时适应奠定了坚实基础。
引用
@article{arxiv.2506.21117,
title = {CL-Splats: Continual Learning of Gaussian Splatting with Local Optimization},
author = {Jan Ackermann and Jonas Kulhanek and Shengqu Cai and Haofei Xu and Marc Pollefeys and Gordon Wetzstein and Leonidas Guibas and Songyou Peng},
journal= {arXiv preprint arXiv:2506.21117},
year = {2025}
}
备注
ICCV 2025, Project Page: https://cl-splats.github.io