生成式稠密化：学习稠密化高斯以实现高保真可泛化的3D重建
计算机视觉与模式识别
2025-03-10 v3 图形学
摘要
通用前馈高斯模型通过利用大规模多视角数据集中的先验知识，在稀疏视角3D重建方面取得了显著进展。然而，由于高斯数量有限，这些模型往往难以表征高频细节。虽然每场景3D高斯溅射（3D-GS）优化中使用的稠密化策略可以适配前馈模型，但它可能并不理想地适用于泛化场景。在本文中，我们提出了生成式稠密化（Generative Densification），一种高效且可泛化的方法，用于稠密化前馈模型生成的高斯。与3D-GS的稠密化策略（迭代地分裂和克隆原始高斯参数）不同，我们的方法对前馈模型中的特征表征进行上采样，并在单次前向传播中生成对应的细粒度高斯，利用嵌入的先验知识增强泛化能力。在物体级和场景级重建任务上的实验结果表明，我们的方法在可比或更小的模型规模下优于最先进方法，在表征细粒度细节方面取得了显著提升。
引用
@article{arxiv.2412.06234,
title = {Generative Densification: Learning to Densify Gaussians for High-Fidelity Generalizable 3D Reconstruction},
author = {Seungtae Nam and Xiangyu Sun and Gyeongjin Kang and Younggeun Lee and Seungjun Oh and Eunbyung Park},
journal= {arXiv preprint arXiv:2412.06234},
year = {2025}
}
备注
Project page: https://stnamjef.github.io/GenerativeDensification/