面向高保真动态场景重建的Motion-Aware Partitioning of Deformable 3D Gaussian Splatting
计算机视觉与模式识别
2025-11-26 v2
摘要
3D Gaussian Splatting因实现高质量静态场景重建且渲染速度快而日益受到关注，正在被应用于多视角动态场景重建。常见策略是学习变形场来建模标准化3D高斯的时序变化。然而，这些变形方法常常产生模糊渲染，在高度动态区域丢失细节 motion，因单一统一模型难以表示多样化运动模式。为此，我们引入Motion-Aware Partitioning of Deformable 3D Gaussian Splatting (MAPo)，一种用于高保真动态场景重建的新型框架。其核心是一种动态得分分区策略，用于区分高动态与低动态的3D高斯。对于高动态3D高斯，我们递归地在时序上对其进行分区，并为每个新时序段复制其变形网络，以实现专门建模以捕捉复杂运动细节。同时，将低动态3D高斯视为静态以减少计算成本。然而，针对高动态3D高斯的时序分区策略可能在分区边界处引入帧间视觉不连续性。为此，我们引入跨帧一致性损失，不仅确保视觉连续性，还进一步提升渲染质量。大量实验表明，MAPo在保持可 comparable 计算成本的同时，显著优于基线方法，尤其在复杂或快速运动区域。
引用
@article{arxiv.2508.19786,
title = {MAPo : Motion-Aware Partitioning of Deformable 3D Gaussian Splatting for High-Fidelity Dynamic Scene Reconstruction},
author = {Han Jiao and Jiakai Sun and Yexing Xu and Lei Zhao and Wei Xing and Huaizhong Lin},
journal= {arXiv preprint arXiv:2508.19786},
year = {2025}
}