EA-3DGS：面向户外场景的高效自适应 3D 高斯渲染
计算机视觉与模式识别
2025-05-19 v1
摘要
高效的场景表示对许多实际应用尤其是涉及空间测量的场景至关重要。虽然当前的 NeRF-based 方法在重建建筑规模场景方面取得了令人印象深刻的结果，但由于耗时的随机抽样，仍存在训练和推理速度慢的问题。最近，3D 高斯溅写 (3D Gaussian Splatting, 3DGS) 由于其高质量渲染和实时速度，尤其在物体和小规模场景中表现出色。然而，在户外场景中，其基于点的显式表示缺乏有效的调整机制，且通常需要数百万个高斯点，导致训练时内存受限。为解决这些挑战，我们提出了 EA-3DGS，这是一种为户外场景设计的高质量实时渲染方法。首先，我们引入网格结构，通过自适应四角形网格对网格进行分区，并在每个面上初始化高斯分量，有效捕捉低纹理区域中的几何结构。其次，我们提出了一种高效的高斯修剪策略，评估每个 3D 高斯对视角的贡献并进行相应的修剪。为保留几何关键性高斯点，我们还采用结构感知的密集化策略，在低曲率区域密集化高斯点。此外，我们采用向量量化对高斯分量的参数进行量化，显著降低磁盘空间需求，仅对渲染质量产生最小影响。对 13 个场景进行大量实验，包括来自四个公开数据集 (MatrixCity-Aerial、Mill-19、Tanks \& Temples、WHU) 的 8 个场景以及我们自采集的 5 个场景（通过无人机摄影测量获取的 SCUT-CA 和高原地区场景），进一步证明了我们方法的优越性。
引用
@article{arxiv.2505.10787,
title = {EA-3DGS: Efficient and Adaptive 3D Gaussians with Highly Enhanced Quality for outdoor scenes},
author = {Jianlin Guo and Haihong Xiao and Wenxiong Kang},
journal= {arXiv preprint arXiv:2505.10787},
year = {2025}
}