无干扰的通用 3D 高斯溅写
计算机视觉与模式识别
2026-02-27 v3
摘要
我们提出了 DGGS，一种新框架，旨在解决此前未探索的挑战： (3DGS)。它在跨场景通用训练设置下缓解由干扰数据引起的 3D 不一致性和训练不稳定性，同时实现了对未来场景中 3DGS 和干扰掩码的前馈推断。为实现这些目标，DGGS 在训练阶段提出了基于场景无关的参考基掩码预测与细化模块，有效消除干扰对训练稳定性的影响。此外，我们通过一种新颖的两阶段推理框架实现参考评分与重新选择，并通过一种干扰修剪机制进一步消除残余干扰 3DGS 原始值的影响。在真实数据和我们合成的数据上的大规模前馈实验表明，DGGS 在处理新型干扰场景时具备良好的重建能力。此外，我们的通用掩码预测甚至在准确度上优于现有的场景特定训练方法。主页为 https://github.com/bbbbby-99/DGGS。
引用
@article{arxiv.2411.17605,
title = {Distractor-free Generalizable 3D Gaussian Splatting},
author = {Yanqi Bao and Jing Liao and Jing Huo and Yang Gao},
journal= {arXiv preprint arXiv:2411.17605},
year = {2026}
}