通过局部化点管理改进高斯泼溅

点管理对于优化3D高斯泼溅模型至关重要，因为点初始化（例如通过运动恢复结构）通常在分布上不合适。通常采用自适应密度控制（ADC）算法，利用视图平均梯度幅度阈值进行点稠密化、不透明度阈值进行剪枝以及定期对所有点进行不透明度重置。我们揭示出，这种策略在处理复杂/特殊图像区域（例如透明区域）时存在局限性，因为它无法识别所有需要点稠密化的3D区域，并且缺乏适当的机制来处理具有负面影响（例如由于错误的高不透明度导致的遮挡）的病态点。为了解决这些局限性，我们提出了一种局部化点管理（LPM）策略，能够识别那些最需要点添加和几何校准的错误贡献区域。区域识别是通过利用底层多视图几何约束，结合图像渲染误差来实现的。我们在识别出的区域进行点稠密化，然后重置这些区域前方点的不透明度，为纠正病态点创造了新的机会。作为一种通用插件，LPM可以以最小的额外成本无缝集成到现有的静态3D和动态4D高斯泼溅模型中。实验评估验证了我们的LPM在定量和定性上提升多种现有3D/4D模型的有效性。值得注意的是，LPM改进了静态3DGS和动态SpaceTimeGS，实现了最先进的渲染质量，同时保持了实时速度，在具有挑战性的数据集（如Tanks & Temples和Neural 3D Video数据集）上表现出色。