Matias Turkulainen, Xuqian Ren, Iaroslav Melekhov, Otto Seiskari, Esa Rahtu...
TL;DR通过深度和法线线索来拓展 3D 高斯喷洒技术,以解决室内数据集中的挑战,并展示了有效的网格提取技术。
Abstract
3d gaussian splatting, a novel differentiable rendering technique, has
achieved state-of-the-art novel view synthesis results with high rendering
speeds and relatively low training times. However, its performance
通过引入密集深度图,用于减轻过拟合问题,我们提出了一种方法来优化具有有限图像数量的高斯喷洒。我们通过将众多高斯喷溅结合起来表示 3D 场景,取得了出色的视觉效果。我们使用预训练的单目深度估计模型获取深度图,然后通过稀疏 COLMAP 特征点对其进行缩放和偏移的调整。调整后的深度图有助于基于颜色的 3D 高斯喷溅优化,减轻浮动伪影并确保符合几何约束。我们在具有不同数量的少量图像的 NeRF-LLFF 数据集上验证了该方法,与仅依赖图像的原始方法相比,我们的方法展示了稳健的几何性能。
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。
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。