DAS3R¶

Introduction¶

解决方案

与先前方法提供的静态置信度相比，DAS3R 以 MonST3R 为基座，通过训练得到更准确的运动掩码，并将静态性作为高斯属性，实现静态场景建模为具有动态感知优化的高斯点云。

Method¶

Dynamic region segmentation¶

• 与语义分割网络不同，DAS3R 依赖于对两个重叠图像帧的推理，直接从图像训练动态分割掩码。
• 为减少计算量，仅对第一帧预测动态掩码，动态掩码预测采用 DPT head。

DAVIS	Sintel

Staticness¶

• 为高斯球添加静态属性 s，每个三维高斯与它累积的动态概率 M 相关联，该属性量化了高斯球属于静态区域的可能性 \(s_{u,v,t} = 1 - \mathrm{M}_{u, v}^t,\in [0,1]\)
• 渲染过程中， s 被纳入 \(\alpha\)-blend 计算中 \(\mathcal{C}_{\mathrm{u,v}}=\sum_{i=1}^N\vec{c}_is_i\cdot\alpha_i\prod_{j=1}^{i-1}(1-s_j\cdot\alpha_j)\)

Experiments¶

Reference¶

• [ 论文审查 ] DAS3R: Dynamics-Aware Gaussian Splatting for Static Scene Reconstruction3
• DAS3R