无姿态方案：基于稀疏视图的自监督姿态-free 3D 高斯溅射
计算机视觉与模式识别
2025-12-23 v2
摘要
我们提出SPFSplat（Self-Pose-Free Splatting），一个高效的框架，用于从稀疏多视图图像实现 3D 高斯溅射，训练和推理过程中无需 ground-truth 位姿。它采用共享特征提取主干网络，使模型能够从无姿态输入在单个前向步骤中同时预测 3D 高斯原始体和相机位姿。除基于估计新视角位姿的渲染损失外，还引入重投影损失，以强化像素对齐的高斯原始体学习，提高几何约束。该姿态-free 训练范式及高效单步骤前向设计使SPFSplat适用于实际应用。令人惊讶的是，尽管缺乏姿态监督，SPFSplat即实现了在显著视角变化和有限图像重叠情况下的新视角合成最先进性能，还在相对姿态估计中超越了最近采用几何先验训练的方法。代码和训练好的模型已在项目页面提供：https://ranrhuang.github.io/spfsplat/。
引用
@article{arxiv.2508.01171,
title = {No Pose at All: Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views},
author = {Ranran Huang and Krystian Mikolajczyk},
journal= {arXiv preprint arXiv:2508.01171},
year = {2025}
}
备注
Project Page: https://ranrhuang.github.io/spfsplat/