StylizedGS：面向 3D Gaussian Splatting 的可控风格化

随着 XR 技术的快速发展，3D 生成与编辑变得日益重要。其中，风格化在增强 3D 模型外观方面发挥着关键作用。通过风格化，用户仅需单张参考风格图像即可在 3D 编辑中实现一致的艺术效果，这是一种用户友好的编辑方式。然而，近期基于 NeRF 的 3D 风格化方法存在影响用户体验的效率问题，且其隐式特性限制了其准确迁移几何图案风格的能力。此外，允许艺术家对风格化场景进行灵活控制被认为是促进创意探索环境的理想特性。为解决上述问题，我们提出了 StylizedGS，这是一种基于 3D Gaussian Splatting 表示的高效 3D 神经风格迁移框架，可对感知因素进行自适应控制。我们提出了一种基于滤波器的细化方法，以消除场景重建过程中影响风格化效果的悬浮物。通过引入基于最近邻的风格损失，对 3DGS 的几何与颜色参数进行微调以实现风格化；同时提出深度保持损失与其他正则化项，以防止几何内容被篡改。此外，得益于专门设计的损失函数，StylizedGS 允许用户在风格化过程中控制颜色、风格化尺度和区域，从而具备定制化能力。我们的方法实现了高质量的风格化结果，其特点是具有忠实的笔触与几何一致性，并支持灵活控制。在多种场景和风格上的大量实验表明，我们的方法在风格化质量和推理速度方面均有效且高效。