GaussianPro: 3D-Gaußsche Splatting mit progressiver Propagation

GaussianPro: 3D Gaussian Splatting with Progressive Propagation

February 22, 2024

Autoren: Kai Cheng, Xiaoxiao Long, Kaizhi Yang, Yao Yao, Wei Yin, Yuexin Ma, Wenping Wang, Xuejin Chen

cs.AI

Zusammenfassung

Das Aufkommen von 3D Gaussian Splatting (3DGS) hat kürzlich eine Revolution im Bereich des Neural Rendering ausgelöst, die hochwertige Renderings in Echtzeit ermöglicht. Allerdings ist 3DGS stark auf das initialisierte Punktwolkenmodell angewiesen, das durch Structure-from-Motion (SfM)-Techniken erzeugt wird. Bei der Bearbeitung von großflächigen Szenen, die unweigerlich texturlose Oberflächen enthalten, scheitern die SfM-Techniken oft daran, ausreichend Punkte auf diesen Oberflächen zu erzeugen, und können keine gute Initialisierung für 3DGS bereitstellen. Infolgedessen leidet 3DGS unter schwieriger Optimierung und qualitativ minderwertigen Renderings. In diesem Artikel schlagen wir, inspiriert von klassischen Multi-View Stereo (MVS)-Techniken, GaussianPro vor, eine neuartige Methode, die eine progressive Propagationsstrategie anwendet, um die Verdichtung der 3D-Gaußschen zu steuern. Im Vergleich zu den einfachen Teilungs- und Klonstrategien, die in 3DGS verwendet werden, nutzt unsere Methode die Prioritäten der bestehenden rekonstruierten Geometrien der Szene und Patch-Matching-Techniken, um neue Gaußsche mit präzisen Positionen und Ausrichtungen zu erzeugen. Experimente sowohl in großflächigen als auch in kleinflächigen Szenen bestätigen die Wirksamkeit unserer Methode, wobei unsere Methode 3DGS auf dem Waymo-Datensatz deutlich übertrifft und eine Verbesserung von 1,15 dB in Bezug auf PSNR zeigt.

English

The advent of 3D Gaussian Splatting (3DGS) has recently brought about a revolution in the field of neural rendering, facilitating high-quality renderings at real-time speed. However, 3DGS heavily depends on the initialized point cloud produced by Structure-from-Motion (SfM) techniques. When tackling with large-scale scenes that unavoidably contain texture-less surfaces, the SfM techniques always fail to produce enough points in these surfaces and cannot provide good initialization for 3DGS. As a result, 3DGS suffers from difficult optimization and low-quality renderings. In this paper, inspired by classical multi-view stereo (MVS) techniques, we propose GaussianPro, a novel method that applies a progressive propagation strategy to guide the densification of the 3D Gaussians. Compared to the simple split and clone strategies used in 3DGS, our method leverages the priors of the existing reconstructed geometries of the scene and patch matching techniques to produce new Gaussians with accurate positions and orientations. Experiments on both large-scale and small-scale scenes validate the effectiveness of our method, where our method significantly surpasses 3DGS on the Waymo dataset, exhibiting an improvement of 1.15dB in terms of PSNR.