Free-Range Gaussians: 非网格对齐的生成式 3D 高斯重建
计算机视觉与模式识别
2026-04-07 v1
摘要
我们提出 Free-Range Gaussians，一种从最少四张图像预测非像素、非体素对齐的 3D 高斯的多视角重建方法。这是通过在高斯参数上进行流匹配（flow matching）来实现的。我们对重建的生成式建模允许模型使用非网格对齐的 3D 数据进行监督，并使其能够在未观测区域中合成合理的内容。因此，它改进了先前产生高度冗余网格对齐高斯的方法，并避免了未观测区域中的空洞或模糊的条件均值。为了处理高质量结果所需的高斯数量，我们引入了一种分层分块方案，将空间相关的高斯分组为联合 transformer 标记，在保持结构的同时将序列长度减半。我们进一步提出了训练时的时步加权渲染损失，以及推理时的光度梯度引导和分类器自由引导以提高保真度。在 Objaverse 和 Google Scanned Objects 上的实验表明，与像素和体素对齐方法相比，在显著减少高斯数量的情况下持续改进，在输入视图使物体部分未被观测时增益显著。
引用
@article{arxiv.2604.04874,
title = {Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction},
author = {Ahan Shabanov and Peter Hedman and Ethan Weber and Zhengqin Li and Denis Rozumny and Gael Le Lan and Naina Dhingra and Lei Luo and Andrea Vedaldi and Christian Richardt and Andrea Tagliasacchi and Bo Zhu and Numair Khan},
journal= {arXiv preprint arXiv:2604.04874},
year = {2026}
}
备注
Project Page: https://free-range-gaussians.github.io