EigenGS 表示：从特征空间到高斯图像空间
计算机视觉与模式识别
2025-03-13 v2
摘要
主成分分析 (PCA) 是一种经典的降维技术，而 2D 高斯表示是 3D Gaussian Splatting 在图像表示上的改编，两者为建模视觉数据提供了不同的方法。我们提出了 EigenGS，这是一种新颖的方法，通过连接特征空间和图像空间高斯表示的高效转换流水线，在这两种范式之间建立了桥梁。我们的方法能够为新图像即时初始化高斯参数，而无需从头开始进行逐图像优化，从而极大地加速了收敛。EigenGS 引入了一种频率感知学习机制，鼓励高斯适应不同的尺度，有效地建模各种空间频率，并防止高分辨率重建中出现伪影。大量实验表明，与直接的 2D 高斯拟合相比，EigenGS 不仅实现了更优的重建质量，还减少了所需的参数数量和训练时间。结果突显了 EigenGS 在不同分辨率和不同类别图像上的有效性与泛化能力，使基于高斯的图像表示兼具高质量与实时应用的可行性。
引用
@article{arxiv.2503.07446,
title = {EigenGS Representation: From Eigenspace to Gaussian Image Space},
author = {Lo-Wei Tai and Ching-En Li and Cheng-Lin Chen and Chih-Jung Tsai and Hwann-Tzong Chen and Tyng-Luh Liu},
journal= {arXiv preprint arXiv:2503.07446},
year = {2025}
}