放宽 3D 高斯渲染的精确初始化约束

3D 高斯渲染（3DGS）最近在实时新视角合成和 3D 重建方面展现出惊人的能力。然而，3DGS 严重依赖于由结构-运动（SfM）方法派生的精确初始化。当初始点云质量恶化（例如存在噪声或使用随机初始化点云时），3DGS 常常出现显著性能下降。为此，我们提出一种新型优化策略，称为 RAIN-GS（Relaxing Accurate Initialization Constraint for 3D Gaussian Splatting）。我们的方法基于对原始 3DGS 优化方案和 SfM 初始化进行频域分析。通过基于我们分析结果的简单修改，RAIN-GS 成功训练来自次优点云（例如随机初始化点云）的 3D 高斯，有效放宽了对精确初始化的需求。我们通过多个数据集上的定量和定性比较证明了该策略的有效性，其中使用随机点云训练的 RAIN-GS 在性能上与使用精确 SfM 点云训练的 3DGS 相当，甚至更好。我们的项目页面和代码可在 https://ku-cvlab.github.io/RAIN-GS 查找。