TRAN-D：基于 2D 高斯溶解的稀疏视角透明物体深度重建方法
机器人学
2025-08-27 v3 计算机视觉与模式识别
摘要
从 RGB 图像理解透明物体的 3D 几何结构由于其内在物理特性（如反射和折射）而具有挑战性。针对稀疏视角和动态环境中的这些困难，我们引入 TRAN-D，这是一种基于 2D 高斯溶解的透明物体深度重建方法。我们的关键思想是分离透明物体与背景，使针对对应物体的高斯进行专注优化。我们通过一种对象感知损失来减轻物体遮挡区域中高斯的伪影，确保不可见表面的覆盖，同时减少过拟合。此外，我们融入基于物理的仿真，对重建进行仅数秒内的细化，有效处理物体移除和剩余物体的链式反应式移动，无需重新扫描。TRAN-D 在合成数据和真实世界序列上进行评估，始终显示出对现有基于 GS 的最先进方法的稳健性改进。与基线方法相比，TRAN-D 在合成 TRansPose 序列上将平均绝对误差降低超过 39%。此外，尽管仅使用一张图像更新，TRAN-D 仍能实现 δ < 2.5 cm 的精度达 48.46%，是基线方法的 1.5 倍以上（基线方法使用六张图像）。代码和更多结果可在 https://jeongyun0609.github.io/TRAN-D/ 查看。
引用
@article{arxiv.2507.11069,
title = {TRAN-D: 2D Gaussian Splatting-based Sparse-view Transparent Object Depth Reconstruction via Physics Simulation for Scene Update},
author = {Jeongyun Kim and Seunghoon Jeong and Giseop Kim and Myung-Hwan Jeon and Eunji Jun and Ayoung Kim},
journal= {arXiv preprint arXiv:2507.11069},
year = {2025}
}