GaussianVAE：面向高保真超分辨率的 3D 高斯自适应学习动力学
图形学
2025-06-10 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出了一种新颖的方法，用于提升 3D 高斯溶解（3DGS）的分辨率和几何保真度，超越其原始训练分辨率。当前 3DGS 方法受限于输入分辨率，导致重建无法细化于训练视图中所包含的细节。我们的工作通过一种轻量级生成模型来预测和细化所需的额外 3D 高斯，从而突破这一限制。关键创新点在于 Hessian 辅助抽样策略，这一策略能够智能识别大概率受密集化影响的区域，从而确保计算效率。不同于计算密集型的 GAN 或扩散方法，我们的方法在单个消费级 GPU 上实现实时推理（每次约 0.015 秒），适用于交互式应用。广泛的实验表明，我们的方法在几何精度和渲染质量方面均显著优于最先进的方法，为无分辨率限制的 3D 场景增强树立了新范式。
关键词
引用
@article{arxiv.2506.07897,
title = {GaussianVAE: Adaptive Learning Dynamics of 3D Gaussians for High-Fidelity Super-Resolution},
author = {Shuja Khalid and Mohamed Ibrahim and Yang Liu},
journal= {arXiv preprint arXiv:2506.07897},
year = {2025}
}