PLANING：面向流式 3D 重建的松耦合三角-高斯框架
计算机视觉与模式识别
2026-03-12 v4
摘要
从单目图像序列进行流式重建仍具有挑战性，因为现有方法通常倾向于高质量渲染或准确几何，二者难以兼得。我们提出PLANING，一个高效的即时重建框架，基于松散耦合的显式几何原始构件与神经高斯的混合表示，实现几何与外观的解耦建模。这种解耦支持在线初始化和优化策略，将几何与外观更新分离，从而实现结构冗余显著降低的稳定流式重建。PLANING 相较于 PGSR 实现了 18.52% 的稠密网格 Chamfer-L2 误差降低，超过 ARTDECO 1.31 dB PSNR，同时在 100 秒内重建 ScanNetV2 场景，速度是 2D 高斯渲染的 5 倍以上，同时匹配离线逐场景优化的质量。除了重建质量外，PLANING 的结构清晰性和计算效率使其适用于广泛的下游应用，例如实现大规模场景建模和面向具身 AI 的仿真就绪环境。项目页面：https://city-super.github.io/PLANING/ .
引用
@article{arxiv.2601.22046,
title = {PLANING: A Loosely Coupled Triangle-Gaussian Framework for Streaming 3D Reconstruction},
author = {Changjian Jiang and Kerui Ren and Xudong Li and Kaiwen Song and Guanghao Li and Linning Xu and Tao Lu and Junting Dong and Yu Zhang and Bo Dai and Mulin Yu},
journal= {arXiv preprint arXiv:2601.22046},
year = {2026}
}
备注
Project page: https://city-super.github.io/PLANING/