ICP-3DGS:-不需要 SFM 的大规模无界场景的 3D 高斯散射-计算机科学-计算机视觉.pdf

ICP-3DGS:不需要SFM的大规模无界场景的3D高斯散射

ChenhaoZhang,YezhiShen,FengqingZhu

ElmoreFamilySchoolofElectricalandComputerEngineering

PurdueUniversity,WestLafayette,Indiana,U.S.A.

本

译

中

1

v

9

2

6Fig.1:定性及定量比较可见于我们提出的方法与Nope-NeRF和CF-3DGS的雷达图，特别是在户外无界场景

1重建方面。定量比较的具体内容可在第3节中找到。

2

.

6ABSTRACT尽管取得了成功，NeRF和3DGS共享一个关键

0限制：它们严重依赖于准确的相机姿态和3D几何的

5近年来，神经渲染方法如NeRFs和3D高斯散射先验知识来进行初始化。然而，在实践中，获取精确的

2（3DGS）在场景重建和新视角合成方面取得了显著相机姿态和可靠的3D先验是具有挑战性的。结构从

:

v进展。然而，这些方法严重依赖于从运动中获取结构运动(SfM)[3]，一种常用的替代方法，也存在几个内

i（SfM）的预处理相机姿态和三维结构先验，在室外环在缺点：它计算成本高，对特征提取和匹配错误敏感，

x

r境中获得这些信息具有挑战性。为了解决这一问题，并且在纹理稀疏或相机运动较大的场景中容易失败。

a我们提出结合迭代最近点（ICP）与基于优化的方法进

行细化，以实现大规模相机移动下的准确相机姿态估最近的无SfM神经场景重建方法同时优化了神经

计。此外，我们引入了一种基于体素的场景密集化方表示和相机姿态。NeRF−−[4]首创了NeRFs的姿态

法来指导大规模场景中的重建。实验表明，我们的方法嵌入共同优化，随后BarF[5]和GarF[6]通过粗到细

ICP-3DGS在室内和室外各种规模场景中，无论是相的编码解决了梯度不一致的问题。然而，这些方法需

机姿态估计还是新视角合成方面都优于现有方法。源要良好的姿态初始化。Nope-NeRF[7]引入了基于深度

代码可在/Chenhao-Z/ICP-3DGS的先验知识，但存在训练时间长和渲染效果不佳的问

获取。题。在3D高斯投射中，CF-3DGS[8]对仿射变换的高

斯函数进行细化以估计姿态，而Free-SurGS[9]使用光

IndexTerms—新颖视图合成，三维重建，三维流损失，IncEventGS[10]结合SLAM和事件相机以提

高斯散射，无姿态约束，无需Colmap高鲁棒性。

尽管在有界场景中取得了令人鼓舞的结果，单个

1.介绍图像可以覆盖大部分重建空间，但这些方法在大规模

户外场景（如城市街道环境）中却遇到了困难。这样

神经渲染最近取得了显著进展，模型如神经辐射的无界户外场景具有多样化的物体纹理、由频繁遮挡

场（NeRF）[1]和3D高斯散射（3DGS）[2]作为领先引起的模糊3D几何形状以及最重要的广阔空间范围，

技术出现，用于生成逼真的视图合成和3D重建。在每一帧中都引入了新的区域[11]。此外，这些场景中

的相机轨迹通常覆盖很长的距离并有显著的运动