跳转至

InstantSplat

约 398 个字 预计阅读时间 1 分钟

Abstract

Introduction

问题导向

COLMAP + 3DGS Pipleline 存在的问题：

  1. 3DGS 很大程度上依赖 COLMAP 导出的点和 Pose 的精度，并且 COLMAP 非常耗时
  2. 对于场景的稀疏视角重建，如果输入的图片很少并且缺乏重叠，COLMAP 很难估计准确的相机参数
  3. 3DGS 对于点云的密集处理依靠 Adaptive Density Control，其灵敏度很高，会针对每个场景进行调整（调整阈值、遮挡稀疏点云、添加相机参数噪声等等），并显著影响性能
  4. COLMAP 和 3DGS 是没有关联，相互独立，所以误差会逐步累积

解决方案

  • 1+2: 使用 DUSt3R 代替 COLMAP
  • 3: DUSt3R 得到的是一个密集且精确的点云，GS 训练过程无需做高斯球的 ADC
  • 4: 自监督联合优化相机位姿以及 GS 参数

Method

GS 参数和相机位姿的自监督联合优化

通过最小化光度误差的梯度下降法，联合优化所有高斯参数和调整相机参数 ，允许模型 G 在目标观察位置 T 处的视角的置信度误差，梯度在 DUSt3R 框架中从置信度图回传到相机位姿 :

\[ \mathbf{G}^{*},\mathbf{T}^{*}=\underset{\mathbf{G},\mathbf{T}}{\operatorname*{\operatorname*{\operatorname*{\operatorname*{\arg\min}}}}}\sum_{v\in N}\sum_{i=1}^{HW}\left\|\tilde{\mathbf{C}}_{v}^{i}-\mathbf{C}_{v}^{i}(\mathbf{G},\mathbf{T})\right\| \]

Experiments

Reference

最后更新: 2025年5月1日 19:35:00
创建日期: 2023年8月26日 15:00:56
回到页面顶部