基于不对称双3D高斯溅射的野外鲁棒神经渲染
计算机视觉与模式识别
2025-10-09 v3
摘要
从野外图像进行3D重建仍是一个具有挑战性的任务，由于光照条件不一致且存在暂时性干扰因素。现有方法通常依赖于处理低质量训练数据的启发式策略，往往难以产生稳定且一致的重建，常常导致视觉伪影。本文提出一种新框架，利用这些伪影的随机性特征：它们 tend to 由于训练中微小的随机性而在不同训练运行中发生变化。具体而言，我们并行训练两个3D高斯溅射（3DGS）模型，施加一致性约束，以鼓励在可靠场景几何上收敛，同时抑制不一致的伪影。为防止两个模型因确认偏差而坍缩到相似的失败模式，我们引入一种发散掩码策略，应用两种互补掩码：一种是多线索自适应掩码和一种是自监督软掩码，这导致两个模型的非对称训练过程，从而减少共享的错误模式。此外，为提高模型训练效率，我们引入一种轻量级变体，称为动态EMA代理（Dynamic EMA Proxy），用其动态更新的指数移动平均（EMA）代理取代其中一个模型，并采用交替掩码策略以保持发散。广泛的在挑战性真实数据集上的实验表明，我们的方法在 consistently 超越现有方法的同时实现了高效。项目网站请参见 https://steveli88.github.io/AsymGS。
引用
@article{arxiv.2506.03538,
title = {Robust Neural Rendering in the Wild with Asymmetric Dual 3D Gaussian Splatting},
author = {Chengqi Li and Zhihao Shi and Yangdi Lu and Wenbo He and Xiangyu Xu},
journal= {arXiv preprint arXiv:2506.03538},
year = {2025}
}
备注
NeurIPS 2025 Spotlight; Project page: https://steveli88.github.io/AsymGS/