OCSplats:三维高斯泼溅中的观测完整性量化与标签噪声分离
计算机视觉与模式识别
2025-08-05 v1
摘要
三维高斯泼溅(3DGS)已成为最具前景的三维重建技术之一。然而,真实场景中的标签噪声——例如运动物体、非朗伯表面以及阴影——常常导致重建误差。现有的基于 3DGS 的抗噪重建方法要么无法有效分离噪声,要么需要对超参数进行场景特定的微调,因而难以实际应用。本文从认知不确定性(epistemic uncertainty)的视角重新审视抗噪重建问题,提出了一个新框架 OCSplats。通过混合噪声评估与基于观测的认知修正等关键技术的结合,显著提升了在存在认知差异区域中的噪声分类精度。此外,针对不同场景中噪声比例各异的问题,我们设计了一条基于动态锚点(anchor points)的标签噪声分类流水线。该流水线使得 OCSplats 能够在噪声比例差异巨大的多种场景中同时适用,无需调整参数。大量实验表明,无论场景复杂度如何,OCSplats 始终能够取得领先的重建性能,并实现精确的标签噪声分类。
引用
@article{arxiv.2508.01239,
title = {OCSplats: Observation Completeness Quantification and Label Noise Separation in 3DGS},
author = {Han Ling and Xian Xu and Yinghui Sun and Quansen Sun},
journal= {arXiv preprint arXiv:2508.01239},
year = {2025}
}