稠密点云至关重要：基于稀疏视角场景重建的 Dust-GS
计算机视觉与模式识别
2024-09-16 v1
摘要
3D Gaussian Splatting (3DGS) 在场景合成与新视角合成任务中展现出了卓越的性能。通常，3D 高斯基元的初始化依赖于由运动恢复结构 (SfM) 方法生成的点云。然而，在需要从稀疏视角进行场景重建的场景中，3DGS 的有效性受到这些初始点云质量和输入图像数量有限的显著制约。在本研究中，我们提出了 Dust-GS，这是一种专门设计用于克服 3DGS 在稀疏视角条件下局限性的新框架。Dust-GS 不再单纯依赖 SfM，而是引入了一种创新的点云初始化技术，即使在输入数据稀疏的情况下依然有效。我们的方法采用混合策略，集成了基于深度的自适应掩码技术，从而提高了重建场景的准确性与细节。在多个基准数据集上进行的大量实验表明，Dust-GS 在稀疏视角场景下超越了传统的 3DGS 方法，以更少的输入图像实现了更优的场景重建质量。
引用
@article{arxiv.2409.08613,
title = {Dense Point Clouds Matter: Dust-GS for Scene Reconstruction from Sparse Viewpoints},
author = {Shan Chen and Jiale Zhou and Lei Li},
journal= {arXiv preprint arXiv:2409.08613},
year = {2024}
}