ReCon-GS：保连续高斯流式处理用于动态场景的快速与紧凑重建
图像与视频处理
2025-10-31 v2 计算机视觉与模式识别
多媒体
摘要
在线自由视角视频（FVV）重建面临逐帧优化速度慢、运动估计不一致以及存储需求不可持续等挑战。为解决这些挑战，我们提出了可重构连续高斯流 ReCon-GS，这是一种新颖的存储感知框架，能够实现高保真在线动态场景重建与实时渲染。具体而言，我们以密度自适应方式动态分配多级锚点高斯，以捕获帧间几何形变，从而将场景运动分解为紧凑的粗到细表示。然后，我们设计了一种动态层次重配置策略，通过按需锚点重分层来保持局部运动表达能力，同时通过层次内变形继承确保时间一致性，将变换先验限制在各自的层次层级内。此外，我们引入了一种存储感知优化机制，可灵活调整不同层次层级中锚点高斯的密度，从而在重建保真度与内存使用之间实现可控的权衡。在三个广泛使用的数据集上的大量实验表明，与最先进方法相比，ReCon-GS 将训练效率提升了约 15%，并在增强鲁棒性和稳定性的同时实现了优越的 FVV 合成质量。此外，在等效渲染质量下，ReCon-GS 相比领先的最先进方法将内存需求降低了 50% 以上。
引用
@article{arxiv.2509.24325,
title = {ReCon-GS: Continuum-Preserved Gaussian Streaming for Fast and Compact Reconstruction of Dynamic Scenes},
author = {Jiaye Fu and Qiankun Gao and Chengxiang Wen and Yanmin Wu and Siwei Ma and Jiaqi Zhang and Jian Zhang},
journal= {arXiv preprint arXiv:2509.24325},
year = {2025}
}
备注
Published in NeurIPS 2025