ReorgGS: 面向3D高斯泼溅的等价分布重组
计算机视觉与模式识别
2026-05-12 v1
摘要
一个收敛的3D高斯泼溅(3DGS)模型可能近似了目标场景，但其参数化对于进一步优化而言仍然不佳。我们将这种失败模式识别为“参数化退化”：高不透明度的漂浮物通过alpha合成衰减了朝向真实表面的梯度，而冗余的重叠簇创建了具有近乎共线雅可比响应的强耦合参数块。这些效应解释了为什么即使模型仍然包含可移除的伪影，持续优化也可能陷入平台期。我们提出ReorgGS，一种针对收敛3DGS模型的等价分布重组方法。ReorgGS将现有高斯集视为一个经验概率场，从中重新采样中心，使用kNN估计局部各向异性协方差，初始化低不透明度，并使用原始3DGS渲染器和损失继续优化。与仅重新缩放旧重叠图上不透明度的不透明度重置不同，ReorgGS重建了中心、协方差和可见性结构，从而改变了图本身。我们的分析表明，分布等价并非优化等价。重组后的模型保留了场景支撑，同时改善了alpha合成下的梯度可达性并降低了不透明度加权重叠，从而削弱了后续优化中的局部参数耦合。在相同的额外优化预算下，ReorgGS在固定高斯数量下提高了拟合质量，抑制了持续存在的漂浮物，并减少了冗余重叠带来的渲染开销。
引用
@article{arxiv.2605.08739,
title = {ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting},
author = {Luchao Wang and Kaimin Liao and Qian Ren and Hua Wang and Zhi Chen and Yaohua Tang},
journal= {arXiv preprint arXiv:2605.08739},
year = {2026}
}