通过级联深度损失学习稀疏视角 Splatting 的细粒度几何
计算机视觉与模式识别
2026-04-03 v2
摘要
新视角合成是 3D 计算机视觉中的一项基础任务，旨在给定一组有位姿的图像的情况下，从新视角重建逼真图像。然而，在稀疏视角条件下，由于几何线索不足，重建质量急剧下降。现有方法，包括神经辐射场（NeRF）和更新的 3D 高斯溅射（3DGS），在从稀疏观测训练时通常表现出细节模糊和结构伪影。近期工作已将渲染深度质量确定为缓解这些伪影的关键因素，因为它直接影响几何精度和视角一致性。然而，在稀疏视角下有效利用深度仍具挑战性。深度先验可能存在噪声或与渲染几何不对齐，且单尺度监督通常无法同时捕捉全局结构和精细细节。为应对这些挑战，我们引入了分层深度引导溅射（HDGS），这是一个从粗到细逐步优化几何的深度监督框架。HDGS 的核心是我们新颖的级联皮尔逊相关损失（CPCL），它在多个空间尺度上强制渲染深度与估计深度先验之间的一致性。通过强制多尺度深度一致性，我们的方法提高了稀疏视角重建的结构保真度。在 LLFF 和 DTU 上的实验表明，该方法在稀疏视角设置下达到了 SOTA 性能。
引用
@article{arxiv.2505.22279,
title = {Learning Fine-Grained Geometry for Sparse-View Splatting via Cascade Depth Loss},
author = {Wenjun Lu and Haodong Chen and Anqi Yi and Guoxi Huang and Yuk Ying Chung and Kun Hu and Zhiyong Wang},
journal= {arXiv preprint arXiv:2505.22279},
year = {2026}
}