3D Gaussian 重建的 Metropolis-Hastings 采样

我们提出了一种用于 3D Gaussian Splatting (3DGS) 的自适应采样框架，该框架在统一的 Metropolis-Hastings 方法中利用全面的多视角光度误差信号。原始 3DGS 严重依赖基于启发式的密度控制机制（例如克隆、分裂和剪枝），这可能导致冗余计算或有益高斯函数的过早移除。我们的框架通过将稠密化和剪枝重新表述为概率采样过程来克服这些局限性，根据聚合的多视角误差和不透明度分数动态插入和重新定位高斯函数。在由这些基于误差的重要性分数导出的贝叶斯接受检验的引导下，我们的方法大幅减少了对启发式方法的依赖，提供了更大的灵活性，并在无需预设场景复杂度的情况下自适应地推断高斯分布。在基准数据集（包括 Mip-NeRF360、Tanks and Temples 和 Deep Blending）上的实验表明，我们的方法减少了所需高斯函数的数量，实现了更快的收敛，同时匹配或略微超越了最先进模型的视角合成质量。