评估 Gaussian Splatting 中替代 SFM 点云初始化的方法
计算机视觉与模式识别
2024-05-27 v3
摘要
3D Gaussian Splatting 最近作为一种用于场景重建和新视角合成的通用且有效的方法而受到欢迎，这得益于其高质量的结果及与硬件光栅化的兼容性。尽管具有优势，Gaussian Splatting 依赖 Structure-from-Motion (SFM) 算法进行高质量点云初始化，这是一个需要克服的重大限制。为此，我们研究了 Gaussian Splatting 的各种初始化策略，并深入探讨了如何利用 Neural Radiance Fields (NeRF) 的体积重建来绕过对 SFM 数据的依赖。我们的研究结果表明，如果经过精心设计，随机初始化的表现可以好得多；并且通过结合改进的初始化策略与来自低成本 NeRF 模型的结构蒸馏，有可能获得与 SFM 初始化等同、甚至有时更优的结果。源代码可在 https://theialab.github.io/nerf-3dgs 获取。
引用
@article{arxiv.2404.12547,
title = {Evaluating Alternatives to SFM Point Cloud Initialization for Gaussian Splatting},
author = {Yalda Foroutan and Daniel Rebain and Kwang Moo Yi and Andrea Tagliasacchi},
journal= {arXiv preprint arXiv:2404.12547},
year = {2024}
}