Gesplat：基于几何引导的高斯溅射稳健姿态无关3D重建
计算机视觉与模式识别
2025-10-28 v2
摘要
神经辐射场（NeRF）和3D高斯溅射（3DGS）已推动了3D重建和新视角合成，但仍严重依赖于准确的相机姿态和密集的视角覆盖，这些要求限制了其在稀疏视角设置中的适用性，此时姿态估计不可靠且监督不足。为克服这些挑战，我们引入Gesplat，这是一个基于3DGS的框架，使其能够从无姿态的稀疏图像中实现稳健的新视角合成和几何一致的重建。不同于以前依赖COLMAP进行稀疏点云初始化的方法，我们利用VGGT基础模型获取更可靠的初始姿态和密集点云。我们的ethods方法整合了几个关键创新：1）具象高斯表示，采用双位置-形状优化并通过视间匹配一致性增强；2）图引导属性细化模块以增强场景细节；3）基于流的深度正则化提高深度估计精度以实现更有效的监督。综合的定量和定性实验表明，我们的方法在其他姿态无关方法的基础上，在前景和大规模复杂数据集上实现了更稳健的性能。
引用
@article{arxiv.2510.10097,
title = {Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting},
author = {Jiahui Lu and Haihong Xiao and Xueyan Zhao and Wenxiong Kang},
journal= {arXiv preprint arXiv:2510.10097},
year = {2025}
}