用于改进3D高斯溅射泛化的频率自适应锐度正则化
计算机视觉与模式识别
2025-11-25 v1
摘要
尽管3D高斯溅射（3DGS）在大多数配置下表现出色，但由于对稀疏观测的过拟合，在少数情景下缺乏对新视角的泛化能力。我们从机器学习视角重新审视3DGS的优化，将新视角合成视为对未见视角的泛化问题——这一方向鲜有探索。我们提出了频率自适应锐度正则化（FASR），重新构建3DGS的训练目标，从而引导3DGS收敛至更好的泛化解。虽然锐度感知最小化（SAM）通过降低损失景观的锐度来提高分类模型的泛化性，但直接应用于3DGS仍不理想，因为任务之间存在差异。具体而言，它会因正则化过强而阻碍高频细节的重建，而正则化力度不足则导致对锐度的惩罚不足。为此，我们反映图像的局部频率，以设置正则化权重和邻域半径，以估计局部锐度。这防止了新视角中的漂浮器文物，并重建了SAM倾向于平滑的细节。在各种配置的数据集上，我们的方法始终能显著改善广泛的基线方法。代码将在https://bbangsik13.github.io/FASR 上提供。
引用
@article{arxiv.2511.17918,
title = {Frequency-Adaptive Sharpness Regularization for Improving 3D Gaussian Splatting Generalization},
author = {Youngsik Yun and Dongjun Gu and Youngjung Uh},
journal= {arXiv preprint arXiv:2511.17918},
year = {2025}
}
备注
Project page: https://bbangsik13.github.io/FASR