Tessellation GS: 用于动态物体鲁棒单目重建的神经网格高斯
计算机视觉与模式识别
2025-12-09 v1
摘要
三维高斯溅射（GS）能够从已标定图像序列实现高度照片级真实感的三维场景重建，但其各向异性本质导致视角外推时容易过拟合，泛化能力差，尤其在稀疏视角和动态场景重建中表现不佳。我们提出 Tessellation GS，一种基于网格面锚定的结构化二维高斯溅射方法，用于从单台连续运动或静止相机重建动态场景。该方法将二维高斯约束在局部化区域，并通过网格面上的分层神经特征推断其属性。高斯细分由一个细节感知损失函数驱动的自适应面细分策略引导。此外，我们利用重建基础模型的先验知识来初始化高斯形变，从而实现对通用动态物体的鲁棒单目静态相机重建——这在以往对基于优化的方法而言极具挑战性。我们的方法在外观重建和网格重建任务上超越了此前最优方法，LPIPS 降低 29.1%，Chamfer 距离降低 49.2%。
引用
@article{arxiv.2512.07381,
title = {Tessellation GS: Neural Mesh Gaussians for Robust Monocular Reconstruction of Dynamic Objects},
author = {Shuohan Tao and Boyao Zhou and Hanzhang Tu and Yuwang Wang and Yebin Liu},
journal= {arXiv preprint arXiv:2512.07381},
year = {2025}
}