基于查询卷积神经网络的高保真 Gaussian Splatting
计算机视觉与模式识别
2026-03-17 v2 图形学
机器学习
摘要
Gaussian Splatting 以更快的训练速度和实时渲染能力彻底改变了新视角合成 (NVS) 领域。然而，其重建保真度仍落后于 Zip-NeRF 等强大的辐射模型。受我们的理论结果启发，即查询（如坐标）与邻域对于学习高保真信号均至关重要，本文提出了 Queried-Convolutions (Qonvolutions)，这是一种利用卷积邻域特性的简单而强大的改进方法。Qonvolutions 将低保真信号与查询进行卷积以输出残差，从而实现高保真重建。我们通过实验证明，将 Gaussian Splatting 与查询卷积神经网络 (QNNs) 相结合，可在真实场景上实现 SOTA 的 NVS，甚至在图像保真度上超越 Zip-NeRF。QNNs 还提升了 1D 回归、2D 回归和 2D 超分辨率任务的性能。
引用
@article{arxiv.2512.12898,
title = {Towards High-Fidelity Gaussian Splatting with Queried-Convolution Neural Networks},
author = {Abhinav Kumar and Tristan Aumentado-Armstrong and Lazar Valkov and Gopal Sharma and Alex Levinshtein and Radek Grzeszczuk and Suren Kumar},
journal= {arXiv preprint arXiv:2512.12898},
year = {2026}
}
备注
38 pages, 8 figures, Project Page: https://abhi1kumar.github.io/qonvolution/