SVR-GS：用于3D高斯溅写的空间可变正则化
计算机视觉与模式识别
2025-09-16 v1
摘要
3D高斯溅写（3DGS）实现了快速、高质量的新视角合成，但通常依赖于密度化后修剪来优化高斯数的数量。现有的基于掩码的修剪方法，如MaskGS，对全局掩码均值进行正则化，而这与决定单个相机光线上图像质量的局部像素（像射线）重建损失不符。本文引入SVR-GS，一种空间可变正则器，通过渲染每个高斯在射线上有效贡献的像素级空间掩码，从而在重要性低的高斯上施加稀疏压力。我们探索了三种空间掩码聚合策略，在CUDA中实现它们，并进行梯度分析以动机我们的最终设计。在Tanks\&\Temples、Deep Blending和Mip-NeRF360数据集上进行的大量实验表明，在三个数据集上的平均情况下，所提出的SVR-GS相对于MaskGS减少1.79\\times 的高斯数，相对于3DGS减少5.63\\times，同时分别仅引入0.50 dB和0.40 dB的PSNR下降。这些收益转化为显著更小、更快且更节省内存的模型，使其非常适合用于机器人、AR/VR和移动感知等实时应用。
引用
@article{arxiv.2509.11116,
title = {SVR-GS: Spatially Variant Regularization for Probabilistic Masks in 3D Gaussian Splatting},
author = {Ashkan Taghipour and Vahid Naghshin and Benjamin Southwell and Farid Boussaid and Hamid Laga and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2509.11116},
year = {2025}
}