PG-SAG：基于语义感知分组的大规模城市建筑细粒度重建并行高斯泼溅
计算机视觉与模式识别
2025-01-06 v1
摘要
3D Gaussian Splatting (3DGS) 已成为实时新视角合成领域中一种变革性方法。基于 3DGS，近期的进展通过基于空间的划分策略来处理大规模场景，以降低显存和优化时间成本。在本工作中，我们引入了一种称为 PG-SAG 的并行高斯泼溅方法，该方法充分利用语义线索进行划分和高斯核优化，从而在不降低原始图像分辨率的情况下，实现大规模城市区域的细粒度建筑表面重建。首先，利用跨模态模型 Language Segment Anything 来分割建筑掩码。然后，根据已配准图像间的可见性检查，将分割出的建筑区域分组为子区域。这些子区域的高斯核与掩码像素并行优化。此外，针对检测到的掩码边缘重新定义了法向量损失，以缓解边缘处法向量的歧义。最后，为了改进 3D 高斯的优化，我们引入了梯度约束的负载均衡损失，该损失考虑了对应场景的复杂度，有效减少了像素并行渲染阶段的线程等待时间以及重建损失。在多个城市数据集上进行了大量实验，结果表明，与几种基于 3DGS 的 SOTA 方法相比，我们的 PG-SAG 在建筑表面重建上表现出卓越的性能。项目网页：https://github.com/TFWang-9527/PG-SAG。
引用
@article{arxiv.2501.01677,
title = {PG-SAG: Parallel Gaussian Splatting for Fine-Grained Large-Scale Urban Buildings Reconstruction via Semantic-Aware Grouping},
author = {Tengfei Wang and Xin Wang and Yongmao Hou and Yiwei Xu and Wendi Zhang and Zongqian Zhan},
journal= {arXiv preprint arXiv:2501.01677},
year = {2025}
}