Verankerung und sphärische Harmoniken für Gauß'sches Splatting mit spärlichen Ansichten
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Autoren: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Zusammenfassung
Aktuelle 3D-Gaussian-Splatting (3DGS)-Dropout-Methoden adressieren Overfitting unter Sparse-View-Bedingungen durch zufälliges Nullsetzen von Gaussian-Opazitäten. Wir identifizieren jedoch einen Nachbarkompensationseffekt bei diesen Ansätzen: Gelöschte Gaussians werden häufig durch ihre Nachbarn kompensiert, was die beabsichtigte Regularisierung abschwächt. Darüber hinaus übersehen diese Methoden den Beitrag von sphärischen Harmonischen Koeffizienten (SH) höheren Grades zum Overfitting. Zur Lösung dieser Probleme schlagen wir DropAnSH-GS vor, eine neuartige ankerbasierte Dropout-Strategie. Anstatt Gaussians unabhängig zu löschen, wählt unsere Methode zufällig bestimmte Gaussians als Anker aus und entfernt gleichzeitig ihre räumlichen Nachbarn. Dies unterbricht lokale Redundanzen in Ankernähe effektiv und fördert das Erlernen robusterer, global informierter Repräsentationen. Zusätzlich erweitern wir das Dropout auf Farbattribute durch zufälliges Löschen von SH höheren Grades, um Erscheinungsinformationen in SH niedrigeren Grades zu konzentrieren. Diese Strategie mildert Overfitting weiter und ermöglicht flexible Nachtraining-Modellkompression via SH-Trunkierung. Experimentelle Ergebnisse zeigen, dass DropAnSH-GS bestehende Dropout-Methoden mit vernachlässigbarem Rechenaufwand deutlich übertrifft und problemlos in verschiedene 3DGS-Varianten integriert werden kann, um deren Leistung zu steigern. Projekt-Website: https://sk-fun.fun/DropAnSH-GS
English
Recent 3D Gaussian Splatting (3DGS) Dropout methods address overfitting under sparse-view conditions by randomly nullifying Gaussian opacities. However, we identify a neighbor compensation effect in these approaches: dropped Gaussians are often compensated by their neighbors, weakening the intended regularization. Moreover, these methods overlook the contribution of high-degree spherical harmonic coefficients (SH) to overfitting. To address these issues, we propose DropAnSH-GS, a novel anchor-based Dropout strategy. Rather than dropping Gaussians independently, our method randomly selects certain Gaussians as anchors and simultaneously removes their spatial neighbors. This effectively disrupts local redundancies near anchors and encourages the model to learn more robust, globally informed representations. Furthermore, we extend the Dropout to color attributes by randomly dropping higher-degree SH to concentrate appearance information in lower-degree SH. This strategy further mitigates overfitting and enables flexible post-training model compression via SH truncation. Experimental results demonstrate that DropAnSH-GS substantially outperforms existing Dropout methods with negligible computational overhead, and can be readily integrated into various 3DGS variants to enhance their performances. Project Website: https://sk-fun.fun/DropAnSH-GS