分解高斯泼溅中的致密化以实现更快的 3D 场景重建
计算机视觉与模式识别
2025-07-29 v1
摘要
3D Gaussian Splatting (GS) 已成为一种用于高质量场景重建的强大表示，提供了极具吸引力的渲染质量。然而，由于低效的致密化和次优的 Gaussian 基元空间分布，GS 的训练过程常常面临收敛缓慢的问题。在本工作中，我们对致密化阶段的分裂与克隆操作进行了全面分析，揭示了它们在平衡细节保留与计算效率方面的不同作用。基于此分析，我们提出了一种从全局到局部的致密化策略，促进了 Gaussian 在整个场景空间中更高效地增长，同时促进全局覆盖与局部细化。为配合所提出的致密化策略并促进 Gaussian 基元在空间中的充分扩散，我们引入了一种能量引导的从粗到细多分辨率训练框架，该框架基于 2D 图像中的能量密度逐步提高分辨率。此外，我们动态修剪不必要的 Gaussian 基元以加速训练。在 MipNeRF-360、Deep Blending 和 Tanks & Temples 数据集上的大量实验表明，我们的方法显著加速了训练，在使用更少 Gaussian 基元的情况下实现了超过 2 倍的加速以及优异的重建性能。
引用
@article{arxiv.2507.20239,
title = {Decomposing Densification in Gaussian Splatting for Faster 3D Scene Reconstruction},
author = {Binxiao Huang and Zhengwu Liu and Ngai Wong},
journal= {arXiv preprint arXiv:2507.20239},
year = {2025}
}