DoF-Gaussian：面向3D高斯溅写的可控深度场方法
计算机视觉与模式识别
2025-03-14 v3
摘要
最近的3D高斯溅写（3D-GS）技术在表示3D场景和生成高质量、实时新视角方面取得了显著成功。然而，3D-GS及其变体假设输入图像基于针孔成像且完全聚焦，这一假设限制了其适用性，因为现实世界中的图像常常具有浅薄深度场（DoF）。本文引入DoF-Gaussian，一种面向3D-GS的可控深度场方法。我们基于几何光学原理开发了基于镜头的成像模型，以控制DoF效果。为确保准确的场景几何，我们整合了按场景调整的深度先验，并应用去焦到焦的适应，以最小化圆视差的差距。我们还引入了一个人造数据集来评估重聚能力以及模型学习精确镜头参数的能力。我们的框架可定制，支持各种交互式应用。广泛的实验确认了该方法的有效性。我们的项目已公开：https://dof-gaussian.github.io
引用
@article{arxiv.2503.00746,
title = {DoF-Gaussian: Controllable Depth-of-Field for 3D Gaussian Splatting},
author = {Liao Shen and Tianqi Liu and Huiqiang Sun and Jiaqi Li and Zhiguo Cao and Wei Li and Chen Change Loy},
journal= {arXiv preprint arXiv:2503.00746},
year = {2025}
}
备注
CVPR 2025