NRGS：面向稳健 3D 语义高斯溅射的神经正则化
计算机视觉与模式识别
2026-04-27 v1
摘要
我们提出一种神经正则化方法，用于细化由从多视图不一致的 2D 特征提升产生的噪声 3D 语义场，以获得准确且稳健的 3D 语义高斯溅射。来自视觉基础模型的 2D 特征由于缺乏跨视图约束而受到多视图不一致的影响。将这些不一致的特征直接提升到 3D 高斯溅射会导致噪声语义场，从而影响下游任务的性能。以往方法要么专注于在预处理阶段获取一致的多视图特征，要么通过改进的优化策略来缓解噪声，往往会增加预处理时间或计算开销。相反，我们引入一个基于方差的条件 MLP，直接作用于 3D 高斯溅射上，利用其几何和外观属性来纠正 3D 空间中的语义错误。不同数据集上的实验表明，我们的方法提高了提升语义的准确性，为稳健的 3D 语义高斯溅射提供了一种高效且有效的方法。
引用
@article{arxiv.2604.22439,
title = {NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting},
author = {Zaiyan Yang and Xinpeng Liu and Heng Guo and Jinglei Shi and Zhanyu Ma and Fumio Okura},
journal= {arXiv preprint arXiv:2604.22439},
year = {2026}
}