GaussianLens：通过按需高斯稠密化实现局部高分辨率重建
计算机视觉与模式识别
2025-10-01 v1
摘要
我们以主动聚焦的方式感知周围环境，更多关注感兴趣区域，如杂货店的货架标签。当涉及场景重建时，这种人类感知特性要求在关键区域以空间变化的细节程度准备好供近距离检查，理想情况下按需重建。虽然近期在 3D 高斯溅射（3DGS）方面的工作实现了从稀疏视图的快速、泛化重建，但其均匀分辨率输出导致无法扩展至高分辨率训练的计算成本。因此，它们无法利用原始高分辨率图像来重建细节。按场景优化的方法通过自适应密度控制重建更精细的细节，但需要密集观测和耗时的离线优化。为了弥合高分辨率整体重建的 prohibitive 成本与用户对局部精细细节需求之间的差距，我们提出了通过按需高斯稠密化实现局部高分辨率重建的问题。给定一个低分辨率 3DGS 重建，目标是学习一个可泛化的网络，将初始 3DGS 稠密化以基于 RoI 的稀疏高分辨率观测捕获感兴趣区域（RoI）中的精细细节。该公式避免了均匀高分辨率重建的高昂成本和冗余，并充分利用了关键区域的高分辨率捕获。我们提出 GaussianLens，一个前馈稠密化框架，融合初始 3DGS 和多视角图像的多模态信息。我们进一步设计了像素引导稠密化机制，有效捕获大幅分辨率提升下的细节。实验证明了我们方法在局部精细细节重建方面的优越性能，以及对高达 分辨率图像的强可扩展性。
引用
@article{arxiv.2509.25603,
title = {GaussianLens: Localized High-Resolution Reconstruction via On-Demand Gaussian Densification},
author = {Yijia Weng and Zhicheng Wang and Songyou Peng and Saining Xie and Howard Zhou and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:2509.25603},
year = {2025}
}