GSTAR: Seguimiento y Reconstrucción de Superficies Gaussianas

GSTAR: Gaussian Surface Tracking and Reconstruction

January 17, 2025

Autores: Chengwei Zheng, Lixin Xue, Juan Zarate, Jie Song

cs.AI

Resumen

Las técnicas de Splatting Gaussiano en 3D han permitido el renderizado eficiente y fotorrealista de escenas estáticas. Trabajos recientes han ampliado estos enfoques para soportar la reconstrucción y seguimiento de superficies. Sin embargo, el seguimiento de superficies dinámicas con Gaussianas en 3D sigue siendo desafiante debido a cambios de topología complejos, como la aparición, desaparición o división de superficies. Para abordar estos desafíos, proponemos GSTAR, un método novedoso que logra un renderizado fotorrealista, una reconstrucción precisa de superficies y un seguimiento 3D confiable para escenas dinámicas generales con cambios de topología. Dadas capturas de múltiples vistas como entrada, GSTAR vincula Gaussianas a caras de malla para representar objetos dinámicos. Para superficies con topología consistente, GSTAR mantiene la topología de la malla y realiza el seguimiento de las mallas utilizando Gaussianas. En regiones donde cambia la topología, GSTAR desvincula de manera adaptativa las Gaussianas de la malla, lo que permite un registro preciso y la generación de nuevas superficies basadas en estas Gaussianas optimizadas. Además, introducimos un método de flujo de escena basado en superficies que proporciona una inicialización robusta para el seguimiento entre fotogramas. Los experimentos demuestran que nuestro método realiza un seguimiento y una reconstrucción efectivos de superficies dinámicas, lo que habilita una variedad de aplicaciones. Nuestra página de proyecto con la liberación del código está disponible en https://eth-ait.github.io/GSTAR/.

English

3D Gaussian Splatting techniques have enabled efficient photo-realistic rendering of static scenes. Recent works have extended these approaches to support surface reconstruction and tracking. However, tracking dynamic surfaces with 3D Gaussians remains challenging due to complex topology changes, such as surfaces appearing, disappearing, or splitting. To address these challenges, we propose GSTAR, a novel method that achieves photo-realistic rendering, accurate surface reconstruction, and reliable 3D tracking for general dynamic scenes with changing topology. Given multi-view captures as input, GSTAR binds Gaussians to mesh faces to represent dynamic objects. For surfaces with consistent topology, GSTAR maintains the mesh topology and tracks the meshes using Gaussians. In regions where topology changes, GSTAR adaptively unbinds Gaussians from the mesh, enabling accurate registration and the generation of new surfaces based on these optimized Gaussians. Additionally, we introduce a surface-based scene flow method that provides robust initialization for tracking between frames. Experiments demonstrate that our method effectively tracks and reconstructs dynamic surfaces, enabling a range of applications. Our project page with the code release is available at https://eth-ait.github.io/GSTAR/.