GS++:误差分析与最优高斯投射
本文主要研究了 3D 高斯喷洒(3DGS)中的常见误差源,包括模糊、不完美的相机姿态以及颜色不一致性,旨在改善其在像手持手机拍摄的实际应用中的鲁棒性。通过将运动模糊建模为相机姿态上的高斯分布,我们可以统一处理相机姿态的精炼和运动模糊矫正,并提出了解决散焦模糊补偿和解决由环境光、阴影或相机相关因素引起的颜色不一致性的机制。我们的解决方案与 3DGS 的配方无缝集成,同时保持其在训练效率和渲染速度方面的优势。通过在 Scannet++ 和 Deblur-NeRF 等相关基准数据集上进行实验证实,我们的贡献取得了最先进的结果,相对于相关基准线实现了一致的性能改进。
Apr, 2024
使用一组高斯椭球来模拟场景,从而实现高效渲染,3D 高斯喷涂表示法具有快速渲染、动态重建、几何编辑和物理模拟等优点。本文通过对最近的 3D 高斯喷涂方法进行文献综述,提供了一个 3D 高斯喷涂方法的分类,包括 3D 重建、3D 编辑和其他功能应用,以及传统的基于点的渲染方法和 3D 高斯喷涂的渲染公式,旨在帮助初学者快速了解这一领域并为经验丰富的研究者提供全面的概述,以推动 3D 高斯喷涂表示法的未来发展。
Mar, 2024
该篇论文针对 3D 高斯喷洒(3DGS)存在的伪影问题,提出了解决方案 Analytic-Splatting,通过运用解析求解和逼近,改善了像素光栅化的不足,并在不同分辨率下对像素足迹的变化进行精确捕捉,具备更好的抗锯齿能力。
Mar, 2024
通过优化 3D 高斯喷涂技术,我们提出了 EfficientGS 方法,针对高分辨率和大规模场景,通过选择性策略和剪枝机制,将模型大小减小为传统 3D 高斯喷涂的十分之一,同时保持高渲染保真度。
Apr, 2024
3D 高斯喷洒是一种能够实时渲染的、可控且可编辑的 3D 重建和表示方法,通过显式场景表示和可微分的渲染算法,提供了独特的优势,为下一代 3D 重建和表示技术带来了潜在的变革。本文首次系统综述了 3D 高斯喷洒的最新进展和重要贡献,包括其背后的原理、应用可行性以及各类基准任务下的性能和实用性评估,并指出当前挑战和未来研究的发展方向。
Jan, 2024
提出了一种名为 Superpoint Gaussian Splatting(SP-GS)的新框架,该框架通过使用显式的 3D 高斯函数来重构场景,并将具有相似属性的高斯函数聚类成超点,从而实现了对动态场景的实时渲染,获得了最新的视觉质量。
Jun, 2024
3D 高斯散射(3D-GS)是计算机图形学领域的重要进展,提供了明确的场景表示和新颖的视图合成技术,而无需依赖神经网络(如神经辐射场(NeRF))。本文对 3D 高斯散射的相关论文进行了全面调研,将调查结果按照特征和应用进行分类,介绍了 3D 高斯散射的理论基础。旨在使新研究人员了解 3D 高斯散射,提供领域中的重要参考文献,并启发未来的研究方向,如本文的结论部分所讨论的。
Feb, 2024
通过引入基于平面的高斯点云猜测(PGSR)方法,本研究旨在实现高保真度的表面重建和高质量的渲染,以解决基于 3D 高斯斑点(3DGS)的重构方法中普遍存在的质量问题。实验结果表明,与基于 3DGS 和 NeRF 的方法相比,我们的方法在快速训练和渲染的同时保持了高保真度的渲染和几何重建效果。
Jun, 2024
使用有效等级分析方法解决 3D 高斯图元收敛为针状形状的问题,并且通过引入有效等级作为正则化方法,提高了法线和几何重建的质量,减少了针状伪影。
Jun, 2024
通过应用渐进传播策略,并利用场景的先验知识和块匹配技术,我们提出了一种名为 GaussianPro 的新方法,来指导 3D 高斯聚类的密度化,验证实验证明了我们的方法在大规模和小规模场景上的有效性。
Feb, 2024