神经 Gabor 雾化：基于神经 Gabor 的增强高频表面重建
计算机视觉与模式识别
2026-04-20 v1 图形学
摘要
近年来，3D 高斯雾化（3DGS）作为一种强大的3D重建和新视角合成方法迅速涌现。其基于高斯原始的显式表示使其具备快速训练、实时渲染以及便捷的后处理能力，如编辑和表面重建。然而，3DGS存在一个关键缺陷：对于包含高频细节的场景，原始数量会急剧增长，因为每个原始只能表示单一颜色，需为每个尖锐颜色变化准备多个原始。为克服这一限制，我们提出了神经 Gabor 雾化，该方法为每个高斯原始增添了一个轻量级多层感知器（MLP），以在单个原始内建模广泛的颜色变化。为进一步控制原始数量，我们引入了基于频率能量的频率感知稠密化策略，依据频率能量选择不匹配的原始进行修剪和克隆。我们的方法实现了对挑战性高频表面的准确重建。我们通过在标准基准测试上的大量实验（如 Mip-NeRF360 和高频数据集，例如检查板图案）以及详尽的消融研究展示了其有效性。
引用
@article{arxiv.2604.15941,
title = {Neural Gabor Splatting: Enhanced Gaussian Splatting with Neural Gabor for High-frequency Surface Reconstruction},
author = {Haato Watanabe and Nobuyuki Umetani},
journal= {arXiv preprint arXiv:2604.15941},
year = {2026}
}
备注
Accepted to CVPR 2026