NG-GS：基于 NeRF 引导的 3D 高斯溅射分割
人工智能
2026-04-17 v1
摘要
近期 3D 高斯溅射（3DGS）的进展使我们能够实现高度高效且照片般逼真的新视角合成。然而，对 3DGS 中的物体进行准确分割仍具有挑战性，因为高斯表示的离散性质常导致物体边界处出现别名和制造缺陷。本文引入 NG-GS，一种用于 3DGS 高质量物体分割的新框架，显著解决边界离散问题。我们的方案首先通过 mask variance 分析自动识别物体边界处的模糊高斯。随后，我们应用径向基函数（RBF）插值构建空间连续特征场，并通过多分辨率哈希编码实现高效的多尺度表示。采用联合优化策略，通过 alignment loss 和空间连续性 loss 将 3DGS 与轻量级 NeRF 模块对齐，确保分割边界平滑且一致。在 NVOS、LERF-OVS 和 ScanNet 基准测试中进行了广泛实验，证明我们的方法在边界 mIoU 等指标上实现了业界最先进的性能。代码已公开：https://github.com/BJTU-KD3D/NG-GS。
引用
@article{arxiv.2604.14705,
title = {SynHAT: A Two-stage Coarse-to-Fine Diffusion Framework for Synthesizing Human Activity Traces},
author = {Rongchao Xu and Lin Jiang and Dahai Yu and Ximiao Li and Guang Wang},
journal= {arXiv preprint arXiv:2604.14705},
year = {2026}
}