Clean-GS：基于语义掩码的 3D 高斯溅写修剪
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
3D 高斯溅写产生高质量的场景重建，但会生成数百万个散布在环境中的虚假高斯点（漂浮物）。这些人工物遮挡有趣的物体并膨胀模型大小，阻碍在带宽受限的应用部署。我们提出 Clean-GS 方法，通过稀疏语义掩码删除 3DGS 重建中的背景杂乱和漂浮物。我们的方法结合基于白名单的空间过滤、颜色引导的验证和异常值删除，以实现 60-80% 的模型压缩，同时保持物体质量。与现有依赖全局重要性指标的 3DGS 修剪方法不同，Clean-GS 使用来自仅 3 个分段掩码（1% 视图）的语义信息来识别和删除不属于目标对象的高斯点。我们的多阶段方法包括（1）通过投影到掩码区域的白名单过滤、（2）深度缓冲区的颜色验证、（3）基于邻居的异常值删除，以隔离复杂户外场景中的单体和物体。在 Tanks and Temples 上的实验表明，Clean-GS 将文件大小从 125MB 降至 47MB，同时保持渲染质量，使 3DGS 模型适用于网页部署和 AR/VR 应用。我们的代码已在 https://github.com/smlab-niser/clean-gs 上提供。
引用
@article{arxiv.2601.00913,
title = {Clean-GS: Semantic Mask-Guided Pruning for 3D Gaussian Splatting},
author = {Subhankar Mishra},
journal= {arXiv preprint arXiv:2601.00913},
year = {2026}
}