深度即信任：高斯溅射的可靠单目深度监督

在 3D 高斯溅射中使用精确的深度先验有助于缓解由稀疏训练数据和无纹理表面引起的伪影。然而，获取精确的深度图需要专用采集系统。基础单目深度估计模型提供了一种经济高效的替代方案，但它们存在尺度模糊、多视图不一致和局部几何不准确等问题，在直接应用时会降低渲染性能。本文解决了可靠利用单目深度先验来增强高斯溅射渲染的挑战。为此，我们提出了一种训练框架，将尺度模糊且含噪声的深度先验整合到几何监督中。我们强调了从弱对齐深度变化中学习的重要性。我们提出了一种方法来分离不适定几何以进行选择性单目深度正则化，限制深度不准确向良好重建的 3D 结构传播。在多样化数据集上的广泛实验显示几何精度持续提升，从而在不同高斯溅射变体和单目深度骨干网络上实现了更精确的深度估计和更高的渲染质量。