EntON: 基于特征熵优化的 3D 高斯 splatting 中的邻域稠密化

我们提出了一种用于几何精确和高质量渲染 3D 重建的 novel Eigenentropy-optimized neighborhood densification strategy，称为 EntON 于 3D 高斯 splatting (3DGS)。虽然标准 3DGS 产生的高斯中心和表面与底层对象几何不匹配，但面向表面的重建方法常在光度精度方面受到牺牲。与常规稠密化策略（依赖于视角空间位置梯度大小）不同，我们的方法引入了几何感知策略，以引导自适应分割和修剪。具体而言，我们从每个高斯中心其 k-最近邻域协方差矩阵特征值的基础上计算 3D 形状特征 Eigenentropy，用于量化局部结构有序性。将这些 Eigenentropy 值集成到交替优化框架中：在优化过程中，算法在 (i) 标准基于梯度的稠密化（通过视角空间梯度细化区域）和 (ii) 基于 Eigenentropy 的稠密化（优先在低 Eigenentropy (有序、平坦) 邻域稠密化以更好地捕捉对象表面细节，修剪高 Eigenentropy (无序、球形) 区域的高斯）之间交替进行。我们在两个基准数据集上提供了定量和定性评估：小规模 DTU 数据集和大规模 TUM2TWIN 数据集，涵盖人造物体和城市场景。实验表明，我们的 Eigenentropy 感知交替稠密化策略在几何精度提升最高可达 33%，渲染质量提升最高可达 7%，同时减少高斯数量最高可达 50%，训练时间缩短最高可达 23%。总体而言，EntON 在几何精度、渲染质量和效率之间实现了 favorable 的平衡，通过避免不必要的场景扩张。