R3GS：用于无约束图像集合的稳健重建与重定位的高斯溶解
计算机视觉与模式识别
2025-05-22 v1 图形学
机器学习
机器人学
摘要
我们提出R3GS，一个针对无约束数据集的稳健重建与重定位框架。我们的方法在训练期间使用混合表示。每个锚点结合来自卷积神经网络（CNN）的全局特征与由多分辨率哈希网格[2]编码的局部特征。随后，几个浅层多层感知器（MLP）预测每个高斯的属性，包括颜色、不透明度和协方差。为缓解瞬时物体对重建过程的不利影响，我们微调了一个轻量级人体检测网络。一旦微调，该网络生成的可见性图能够高效地泛化到其他瞬时物体（如海报、横幅和汽车），无需进一步适应。此外，为了解决户外场景中天空区域带来的挑战，我们提出了一种有效的天际处理技术，纳入深度先验作为约束。这允许将无限远的天际在大半径天空球的表面上表示，从而显著减少因天空重建错误而导致的fovarters。此外，我们引入一种新颖的重定位方法，能够在光照条件变化的情况下稳健地估计给定图像在重建3DGS场景中的相机姿态。结果显示，R3GS显著提升了渲染fidelity，提高了训练和渲染效率，并降低了存储要求。我们的方法在野生数据集上实现了较基线方法的最先进性能。该论文接受后将公开代码。
引用
@article{arxiv.2505.15294,
title = {R3GS: Gaussian Splatting for Robust Reconstruction and Relocalization in Unconstrained Image Collections},
author = {Xu yan and Zhaohui Wang and Rong Wei and Jingbo Yu and Dong Li and Xiangde Liu},
journal= {arXiv preprint arXiv:2505.15294},
year = {2025}
}
备注
7 pages, 4 figures