DropGaussian：稀疏视角高斯溅射的结构正则化
计算机视觉与模式识别
2025-04-02 v1
摘要
最近，3D 高斯溅射（3DGS）因其快速性能和优异图像质量，在新视角合成领域受到广泛关注。然而，在稀疏视角设置（例如三视图输入）下，3DGS常面临对训练视角过拟合的问题，这显著降低了新视角图像的视觉质量。许多现有方法通过使用强先验（如2D生成式上下文信息和外部深度信号）来解决此问题。相比之下，本文引入一种无先验的 method，称为DropGaussian，通过对3D高斯溅射进行简单修改实现。具体而言，我们以类似 dropout 的方式在训练过程中随机删除高斯，这允许被保留下来的高斯获得更大的梯度并提高其可见性。这使得剩余高斯在稀疏输入视角下进行渲染优化时作出更大贡献。这种简单的操作有效缓解了过拟合问题，并提升了新视角合成的质量。仅通过将DropGaussian应用于原始3DGS框架，即可在基准数据集的稀疏视角设置下获得与现有基于先验的3DGS方法相当的性能，且无需额外复杂度。代码和模型已公开发布：https://github.com/DCVL-3D/DropGaussian release。
引用
@article{arxiv.2504.00773,
title = {DropGaussian: Structural Regularization for Sparse-view Gaussian Splatting},
author = {Hyunwoo Park and Gun Ryu and Wonjun Kim},
journal= {arXiv preprint arXiv:2504.00773},
year = {2025}
}
备注
Accepted by CVPR 2025