SVGS: Verbesserung von Gaußschem Splatting durch Primitive mit räumlich variierenden Farben

SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors

May 4, 2026

Autoren: Rui Xu, Wenyue Chen, Jiepeng Wang, Yuan Liu, Peng Wang, Cheng Lin, Shiqing Xin, Xin Li, Wenping Wang, Taku Komura

cs.AI

Zusammenfassung

Gaussian Splatting erzielt beeindruckende Ergebnisse bei der Multi-View-Rekonstruktion auf Basis von expliziten Gauß-Darstellungen. Allerdings verfügen die aktuellen Gauß-Primitive nur über eine einzige blickrichtungsabhängige Farbe und eine Opazität, um das Erscheinungsbild und die Geometrie der Szene darzustellen, was zu einer nicht kompakten Repräsentation führt. In diesem Artikel stellen wir eine neue Methode namens SVGS (Spatially Varying Gaussian Splatting) vor, die räumlich variierende Farben und Opazität innerhalb eines einzelnen Gauß-Primitivs nutzt, um dessen Darstellungsfähigkeit zu verbessern. Wir haben bilineare Interpolation, bewegliche Kernel und kleine neuronale Netze als räumlich variierende Funktionen implementiert. SVGS verwendet 2D-Gauß-Surfels als Primitive, was die Synthese neuartiger Blickwinkel erheblich verbessert und gleichzeitig eine hochwertige geometrische Rekonstruktion beibehält. Dieser Ansatz ist besonders effektiv in praktischen Anwendungen, da Szenen, die komplexe Texturen mit relativ einfacher Geometrie kombinieren, in realen Umgebungen häufig vorkommen. Quantitative und qualitative experimentelle Ergebnisse zeigen, dass alle drei Funktionen die Baseline übertreffen, wobei die besten beweglichen Kernel eine überlegene Leistung bei der Synthese neuer Ansichten auf mehreren Datensätzen erzielen und das große Potenzial räumlich variierender Funktionen unterstreichen. Projektseite: https://ruixu.me/html/SuperGaussians/index.html

English

Gaussian Splatting demonstrates impressive results in multi-view reconstruction based on Gaussian explicit representations. However, the current Gaussian primitives only have a single view-dependent color and an opacity to represent the appearance and geometry of the scene, resulting in a non-compact representation. In this paper, we introduce a new method called SVGS (Spatially Varying Gaussian Splatting) that utilizes spatially varying colors and opacity in a single Gaussian primitive to improve its representation ability. We have implemented bilinear interpolation, movable kernels, and tiny neural networks as spatially varying functions. SVGS employs 2D Gaussian surfels as primitives, which significantly enhances novel-view synthesis while maintaining high-quality geometric reconstruction. This approach is particularly effective in practical applications, as scenes combining complex textures with relatively simple geometry occur frequently in real-world environments. Quantitative and qualitative experimental results demonstrate that all three functions outperform the baseline, with the best movable kernels achieving superior novel view synthesis performance on multiple datasets, highlighting the strong potential of spatially varying functions. Project page: https://ruixu.me/html/SuperGaussians/index.html