ERGO: 基于超额风险分解的高保真单目 3D 高斯溅写优化
计算机视觉与模式识别
2026-02-12 v1 人工智能
摘要
从单张图像生成 3D 内容仍是一个根本性且难以确定的问题，由于遮挡区域缺乏几何和纹理信息。虽然最新方法的生成模型可合成辅助视图以提供额外监督，但这些视图不可避免地包含几何不一致和纹理错位，这些不一致在 3D 重建期间会被放大并放大制造缺陷。为了有效利用这些不完美的监督信号，我们提出一种基于超额风险分解引导的自适应优化框架，称为 ERGO。具体而言，ERGO 将 3D 高斯溅写中的优化损失分为两个组成部分，即量化当前参数与最优参数之间次优差距的超额风险，以及建模合成视图固有噪声的贝叶斯误差。这种分解使 ERGO 能够动态估计特定视图的超额风险，并在优化期间自适应调整损失权重。此外，我们引入几何感知与纹理感知目标，以补充超额风险派生的权重机制，建立一种协同的全局-局部优化范式。因此，ERGO 在利用不完美监督信号方面具有鲁棒性，并且持续提高重构 3D 内容的几何保真度和纹理质量。大量实验表明，ERGO 在 Google Scanned Objects 数据集和 OmniObject3D 数据集上优于现有的 SOTA 方法。
引用
@article{arxiv.2602.10278,
title = {ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting},
author = {Zehua Ma and Hanhui Li and Zhenyu Xie and Xiaonan Luo and Michael Kampffmeyer and Feng Gao and Xiaodan Liang},
journal= {arXiv preprint arXiv:2602.10278},
year = {2026}
}