Softmax-GS：学习何时混合或定界的广义高斯模型
计算机视觉与模式识别
2026-05-01 v1
摘要
三维高斯泼溅（3D GS）因其高训练和渲染效率而被广泛用于新视角合成。然而，其效率依赖于高斯分布在三维空间中不重叠的关键假设，这会导致明显的伪影和视角不一致性。此外，高斯分布固有的弥散边界阻碍了对锐利物体边缘的精确重建。我们提出 Softmax-GS，这是一个统一的解决方案，通过在两个高斯分布的重叠区域强制进行基于 softmax 的竞争，同时解决了视角不一致和弥散边界问题。通过可学习的参数控制竞争强度，它实现了从平滑颜色混合到清晰、明确边界的连续谱。我们的公式明确保留了任意两个重叠高斯分布的阶不变性，并确保输出透射率不受重叠程度的影响，从而防止渲染输出中出现不期望的不连续性。在简单几何体上的消融实验证明了 Softmax-GS 每个组件的有效性，而在真实世界基准上的评估表明，它达到了最先进的性能，同时提升了重建质量和参数效率。
引用
@article{arxiv.2604.27437,
title = {Softmax-GS: Generalized Gaussians Learning When to Blend or Bound},
author = {Chen Ziwen and Peng Wang and Hao Tan and Zexiang Xu and Li Fuxin},
journal= {arXiv preprint arXiv:2604.27437},
year = {2026}
}