动态城市场景中基于可见性感知的3D高斯溅射稠密化
计算机视觉与模式识别
2025-10-13 v1
摘要
3D 高斯溅射（3DGS）在合成高保真新视角方面已展现出令人瞩目的性能。然而，其有效性关键取决于初始化点云的质量。具体而言，实现对底层场景结构的均匀且完整的点覆盖需要重叠的观测视锥体，这一假设在无界、动态城市场景中常常被违背。使用部分初始化点云训练高斯模型往往会导致失真和伪影，因为相机射线可能无法与有效表面相交，导致向与遮挡或不可见几何体相关的高斯基元传播错误的梯度。此外，现有的稠密化策略仅克隆和分割现有高斯基元，无法重建缺失的结构。为了解决这些限制，我们提出了 VAD-GS，一个专为挑战性城市场景中的几何恢复而设计的 3DGS 框架。我们的方法通过基于体素的可见性推理识别不可靠的几何结构，通过多样性感知视图选择选择信息丰富的支持视图，并通过基于块匹配的多视角立体重建恢复缺失结构。该设计使得即使在缺乏初始点的区域也能在可靠几何先验的引导下生成新的高斯基元。在 Waymo 和 nuScenes 数据集上的广泛实验表明，VAD-GS 超越了最先进的 3DGS 方法，并显著改善了静态和动态对象的重建几何质量。源代码将在发表时发布。
引用
@article{arxiv.2510.09364,
title = {Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes},
author = {Yikang Zhang and Rui Fan},
journal= {arXiv preprint arXiv:2510.09364},
year = {2025}
}