RobustGS：面对低质量条件的前馈 3D 高斯溅写成统一提升
计算机视觉与模式识别
2025-08-06 v1
摘要
前馈 3D 高斯溅写成（3DGS）克服了基于优化的 3DGS 的局限性，使能够在无需 per 场景优化的情况下实现快速高质量的重建。然而，现有的前馈方法通常假设输入的多视图图像是干净且高质量的。在现实场景中，图像常常在噪声、低光或雨雾等恶劣条件下捕获，导致几何不准确并降低 3D 重建质量。为此，我们提出了一种通用且高效的多视图特征增强模块，RobustGS，显著提高了前馈 3DGS 方法在各种不良成像条件下的鲁棒性，从而实现高质量的 3D 重建。RobustGS 模块可以即插即用的方式无缝集成到现有的预训练管道中，以增强重建鲁棒性。具体而言，我们引入了一种新型组件——通用退化学习者，旨在从多视图输入中提取多种退化的通用表示和分布，从而增强退化感知并提高整体 3D 重建质量。此外，我们提出了一种新型语义感知状态空间模型。它首先利用提取的退化表示来增强受损输入在特征空间中的质量。然后，它采用语义感知策略对不同视图中语义相似的信息进行聚合，从而实现对细粒度跨视图对应关系的提取，并进一步提高 3D 表示的质量。广泛的实验表明，我们的方法可通过即插即用的方式集成到现有方法中，始终在各种类型的退化条件下实现最先进的重建质量。
引用
@article{arxiv.2508.03077,
title = {RobustGS: Unified Boosting of Feedforward 3D Gaussian Splatting under Low-Quality Conditions},
author = {Anran Wu and Long Peng and Xin Di and Xueyuan Dai and Chen Wu and Yang Wang and Xueyang Fu and Yang Cao and Zheng-Jun Zha},
journal= {arXiv preprint arXiv:2508.03077},
year = {2025}
}