2DGS-Raum: Seed-gesteuertes 2D-Gauß-Splatting mit geometrischen Einschränkungen für die hochwertige Rekonstruktion von Innenräumenzenen

2DGS-Room: Seed-Guided 2D Gaussian Splatting with Geometric Constrains for High-Fidelity Indoor Scene Reconstruction

December 4, 2024

Autoren: Wanting Zhang, Haodong Xiang, Zhichao Liao, Xiansong Lai, Xinghui Li, Long Zeng

cs.AI

Zusammenfassung

Die Rekonstruktion von Innenräumen bleibt aufgrund der inhärenten Komplexität der räumlichen Strukturen und der Häufigkeit von strukturlosen Regionen eine Herausforderung. Die jüngsten Fortschritte in der 3D-Gaußsplatting haben die neuartige Ansichtssynthese mit beschleunigter Verarbeitung verbessert, konnten jedoch noch keine vergleichbare Leistung bei der Oberflächenrekonstruktion erbringen. In diesem Papier stellen wir 2DGS-Room vor, eine neuartige Methode, die 2D-Gaußsplatting für die hochwertige Rekonstruktion von Innenräumen nutzt. Konkret verwenden wir einen saatgesteuerten Mechanismus, um die Verteilung von 2D-Gaußschen zu steuern, wobei die Dichte der Saatpunkte dynamisch durch adaptive Wachstums- und Beschneidungsmechanismen optimiert wird. Um die geometrische Genauigkeit weiter zu verbessern, integrieren wir monokulare Tiefen- und Normalenprioritäten, um Einschränkungen für Details bzw. strukturlose Regionen bereitzustellen. Darüber hinaus werden Mehrsichtkonsistenzbeschränkungen verwendet, um Artefakte zu reduzieren und die Rekonstruktionsqualität weiter zu verbessern. Umfangreiche Experimente mit den Datensätzen ScanNet und ScanNet++ zeigen, dass unsere Methode eine Spitzenleistung bei der Rekonstruktion von Innenräumen erreicht.

English

The reconstruction of indoor scenes remains challenging due to the inherent complexity of spatial structures and the prevalence of textureless regions. Recent advancements in 3D Gaussian Splatting have improved novel view synthesis with accelerated processing but have yet to deliver comparable performance in surface reconstruction. In this paper, we introduce 2DGS-Room, a novel method leveraging 2D Gaussian Splatting for high-fidelity indoor scene reconstruction. Specifically, we employ a seed-guided mechanism to control the distribution of 2D Gaussians, with the density of seed points dynamically optimized through adaptive growth and pruning mechanisms. To further improve geometric accuracy, we incorporate monocular depth and normal priors to provide constraints for details and textureless regions respectively. Additionally, multi-view consistency constraints are employed to mitigate artifacts and further enhance reconstruction quality. Extensive experiments on ScanNet and ScanNet++ datasets demonstrate that our method achieves state-of-the-art performance in indoor scene reconstruction.