JOGS：姿态估计与 3D 高斯溅射的联合优化
计算机视觉与模式识别
2026-01-16 v2
摘要
传统的新视角合成方法高度依赖外部相机姿态估计工具，如 COLMAP，常导致计算瓶颈并传递误差。为此，我们提出一个统一框架，在不要求预先标定输入的前提下联合优化 3D 高斯点和相机姿态。我们的 метод 通过一种新颖的共优化策略，迭代细化 3D 高斯参数并更新相机姿态，确保场景重建保真度和姿态估计精度同步提升。关键创新在于将联合优化解耦为两个交错阶段：首先通过固定姿态的可微渲染更新 3D 高斯参数，其次使用包含几何和光照约束的定制 3D 光流算法细化相机姿态。该公式在面对大视角变化和稀疏特征分布等具有挑战性的场景时，能够显著减少投影误差，其中传统方法往往难以应对。多数据集上的广泛评估表明，我们的方法在重建质量上显著优于现有的 COLMAP-free 技术，也超越了标准 COLMAP 基准方法。
引用
@article{arxiv.2510.26117,
title = {JOGS: Joint Optimization of Pose Estimation and 3D Gaussian Splatting},
author = {Xianben Yang and Yuxuan Li and Tao Wang and Tao Wang and Yi Jin and Yidong Li and Haibin Ling},
journal= {arXiv preprint arXiv:2510.26117},
year = {2026}
}