GaussianBlock：通过基元和3D高斯构建部件感知的组合式可编辑3D场景
计算机视觉与模式识别
2025-04-28 v3
摘要
近年来，随着神经辐射场和高斯泼溅技术的发展，3D重建技术取得了显著的高保真度。然而，这些方法学习的潜在表示高度纠缠且缺乏可解释性。在本文中，我们提出了一种新颖的部件感知组合式重建方法，称为GaussianBlock，它实现了语义连贯和可解耦的表示，允许像积木一样进行精确和物理的编辑，同时保持高保真度。我们的GaussianBlock引入了一种混合表示，利用了基元（以其灵活的可操作性和可编辑性而闻名）和3D高斯（在重建质量方面表现出色）的优势。具体来说，我们通过一种新颖的注意力引导的中心损失（源自2D语义先验）以及动态分裂和融合策略来实现语义连贯的基元。此外，我们利用与基元混合的3D高斯来细化结构细节并增强保真度。此外，采用绑定继承策略来加强和维持两者之间的联系。我们的重建场景被证明在多个基准测试上是可解耦的、组合式的和紧凑的，从而在保持高质量的同时实现无缝、直接和精确的编辑。
引用
@article{arxiv.2410.01535,
title = {GaussianBlock: Building Part-Aware Compositional and Editable 3D Scene by Primitives and Gaussians},
author = {Shuyi Jiang and Qihao Zhao and Hossein Rahmani and De Wen Soh and Jun Liu and Na Zhao},
journal= {arXiv preprint arXiv:2410.01535},
year = {2025}
}