Neural Texture Splatting：用于视图合成、几何和动态重建的表达性 3D 高斯烘扬
计算机视觉与模式识别
2025-11-25 v1 图形学
摘要
3D 高斯烘扬 (3DGS) 已成为高质量新视图合成的领导方法，诸多变体正在扩展其适用性以适应广泛的 3D 和 4D 场景重建任务。尽管已取得成功，但 3DGS 的表示能力仍受限于使用 3D 高斯核来建模局部变化。最近的工作提出通过增加额外的 per-primitive 容量（例如 per-splat 纹理）来增强 3DGS 的表达性。然而，这些 per-splat 纹理方法主要针对稀疏的新视图合成，目标是减少高斯原始的数量，其有效性在应用于更通用的重建场景时往往会下降。在本文中，我们旨在通过 Neural Texture Splatting (NTS) 在广泛的重建任务中实现显著的性能提升，包括新视图合成、几何和动态重建，无论是稀疏还是密集的输入设置。为此，我们引入了 Neural Texture Splatting (NTS)。我们方法的核心是一个全局神经场（表示为三平面和神经解码器的混合），用于预测每个原始的局部外观和几何场。通过利用这种共享的全局表示来建模原始之间局部纹理场，我们显著减少了模型大小并促进了高效的全局信息交换，展现出强大的跨任务的泛化能力。此外，我们对局部纹理场的神经建模引入了富有表现力的视图和时间依赖效应，这一点是现有方法所不具备的。广泛的实验表明，Neural Texture Splatting 在多个基准测试上一致地改进模型并实现最先进的结果。
引用
@article{arxiv.2511.18873,
title = {Neural Texture Splatting: Expressive 3D Gaussian Splatting for View Synthesis, Geometry, and Dynamic Reconstruction},
author = {Yiming Wang and Shaofei Wang and Marko Mihajlovic and Siyu Tang},
journal= {arXiv preprint arXiv:2511.18873},
year = {2025}
}
备注
SIGGRAPH Asia 2025 (conference track), Project page: https://19reborn.github.io/nts/