基于自增残差 3D 高斯溶解的自下探索视图选择
计算机视觉与模式识别
2026-01-21 v2
摘要
我们提出了一种自增残差 3D 高斯溶解(Self-Augmented Residual 3D Gaussian Splatting, SA-ResGS)的新框架，用于稳定不确定性量化并增强不确定性感知的监督，以实现主动场景重建中的下一佳视图选择。SA-ResGS 通过在训练视图和光栅化外推视图之间进行三角化，以生成自增点云(SA-Points)，从而提高场景覆盖率估计的可靠性。虽然通过基于物理的视图选择提高了场景覆盖率，但SA-ResGS 也解决了稀疏和大基线视图下高斯值不足监督的挑战，提出首创性的针对 3D 高斯溶解的残差学习策略。这种针对性的监督通过结合不确定性驱动的过滤和 dropout 及硬负例挖掘启发的采样，增强了高不确定性高斯值的梯度流动。我们的贡献有三方面：(1)一种基于物理的视图选择策略，促进高效和均匀的场景覆盖；(2)一种不确定性感知的残差监督方案，放大弱贡献高斯值的学习信号，提高训练稳定性和跨场景不确定性估计；(3)一种对不确定性量化的隐式去偏，作为受限视图选择和残差监督的结果，进而缓解了在下一佳视图规划中大基线探索和稀疏视图歧义的相互冲突效应。在主动视图选择实验中，SA-ResGS 在重建质量和视图选择鲁棒性方面均优于最先进的基准。
引用
@article{arxiv.2601.03024,
title = {SA-ResGS: Self-Augmented Residual 3D Gaussian Splatting for Next Best View Selection},
author = {Kim Jun-Seong and Tae-Hyun Oh and Eduardo Pérez-Pellitero and Youngkyoon Jang},
journal= {arXiv preprint arXiv:2601.03024},
year = {2026}
}