使用 3D 高斯溅写生成合成立体数据集
计算机视觉与模式识别
2025-06-06 v1
摘要
本文引入了基于 3D 高斯溅写（3DGS）的立体数据集生成管线，提供了对 Neural Radiance Fields（NeRF）基于方法的高效替代方案。为获得有用的几何估计，我们探索了利用显式 3D 表示重建的几何以及来自 FoundationStereo 模型的深度估计在专家知识迁移 setup 中的应用。我们发现，当在 3DGS 生成的数据集上微调立体模型时，我们在零样本泛化基准测试中展示了具竞争力的性能。当直接使用重建的几何时，我们注意到它常常噪声较大且包含瑕疵，这些噪声会传播到训练模型中。相比之下，我们发现 FoundationStereo 的视差估计更为干净，因而在零样本泛化基准测试中表现更好。我们的方法凸显了低成本、高保真数据创建以及深度立体模型快速微调的潜力。此外，我们还揭示了尽管最新的高斯溅写基于方法在 established benchmarks 上取得了优异性能，但其在挑战性野外场景下的鲁棒性不足，值得进一步探索。
引用
@article{arxiv.2506.04908,
title = {Generating Synthetic Stereo Datasets using 3D Gaussian Splatting and Expert Knowledge Transfer},
author = {Filip Slezak and Magnus K. Gjerde and Joakim B. Haurum and Ivan Nikolov and Morten S. Laursen and Thomas B. Moeslund},
journal= {arXiv preprint arXiv:2506.04908},
year = {2025}
}