基于置信度的3D高斯网格提取
计算机视觉与模式识别
2026-04-23 v2 图形学
摘要
最近，3D高斯Splattering(3DGS)由于其显式表示和快速软件光栅化，大大加快了从定位图像提取网格的速度。尽管几何损失和其他先验条件的添加已提高提取表面的准确性，但在包含大量视角相关效应的场景中，网格提取仍然困难。为解决由此导致的歧义，先前方法依赖多视角技术、迭代网格提取或大型预训练模型，牺牲了3DGS固有的效率。本文提出一种简单且高效的替代方案，通过引入自监督置信度框架到3DGS：在该框架中，可学习的置信度值动态平衡光度和几何监督。扩展我们的置信度驱动公式后，我们引入惩罚每个原始颜色和法线方差的损失，并展示其对表面提取的益处。最后，我们通过解耦D-SSIM损失的各个术语，提升了外观模型。我们的最终方法在保持高度效率的同时，为无界网格提供了最先进的结果。
引用
@article{arxiv.2603.24725,
title = {Confidence-Based Mesh Extraction from 3D Gaussians},
author = {Lukas Radl and Felix Windisch and Andreas Kurz and Thomas Köhler and Michael Steiner and Markus Steinberger},
journal= {arXiv preprint arXiv:2603.24725},
year = {2026}
}
备注
Project Page: https://r4dl.github.io/CoMe/