少样本图像下三维高斯泼溅的深度正则化优化
计算机视觉与模式识别
2024-01-05 v3 图形学
摘要
在本文中，我们提出一种以有限数量图像优化高斯泼溅并避免过拟合的方法。通过组合大量高斯泼溅来表示三维场景已获得出色的视觉质量。然而，当仅有少量图像可用时，它往往会对训练视角过拟合。为解决此问题，我们引入稠密深度图作为几何引导以缓解过拟合。我们使用预训练的单目深度估计模型获得深度图，并利用稀疏 COLMAP 特征点对齐尺度与偏移。调整后的深度有助于三维高斯泼溅基于颜色的优化，减轻漂浮伪影，并确保遵循几何约束。我们在 NeRF-LLFF 数据集上以不同数量的少样本图像验证了所提方法。与仅依赖原始图像的方法相比，我们的方法展现出鲁棒的几何结构。项目页面：robot0321.github.io/DepthRegGS
引用
@article{arxiv.2311.13398,
title = {Depth-Regularized Optimization for 3D Gaussian Splatting in Few-Shot Images},
author = {Jaeyoung Chung and Jeongtaek Oh and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2311.13398},
year = {2024}
}
备注
10 pages, 5 figures; Project page: robot0321.github.io/DepthRegGS