稀疏视图 3D 高斯溅写: 量化与缓解 Co-Adaptation
计算机视觉与模式识别
2025-09-23 v3
摘要
3D 高斯溅写 (3DGS) 在稠密视图设置下已展现出惊人的性能用于新视角合成。然而,在稀疏视图场景中,尽管训练视图中呈现逼真的渲染,3DGS 仍偶尔在新视角中出现外观瑕疵。本文探讨了稀疏视图 3DGS 中的外观瑕疵,并揭示了当前方法的核心局限性:优化得到的高斯与彼此过度纠缠以激进地拟合训练视图,导致忽略底层场景的真实外观分布,从而在新视角中引发外观瑕疵。分析基于我们提出的度量指标——Co-Adaptation Score (CA),通过计算同一视点的不同随机高斯子集渲染的像素级方差来量化高斯之间的纠缠,即共适应。分析表明,随着训练视图数量的增加,共适应程度会自然缓解。基于此分析,我们提出两种轻量级策略以显式缓解稀疏视图 3DGS 中的共适应:(1) 随机高斯丢弃; (2) 对不透明度注入乘性噪声。这两种策略设计为即插即用,其有效性在各种方法和基准上均得到验证。我们希望对共适应效应的洞见能激发社区更全面地理解稀疏视图 3DGS 的潜力。
引用
@article{arxiv.2508.12720,
title = {Quantifying and Alleviating Co-Adaptation in Sparse-View 3D Gaussian Splatting},
author = {Kangjie Chen and Yingji Zhong and Zhihao Li and Jiaqi Lin and Youyu Chen and Minghan Qin and Haoqian Wang},
journal= {arXiv preprint arXiv:2508.12720},
year = {2025}
}
备注
Accepted by NeurIPS 2025. Project page: https://chenkangjie1123.github.io/Co-Adaptation-3DGS/, Code at: https://github.com/chenkangjie1123/Co-Adaptation-of-3DGS