RobustSplat: Desacoplamiento de la Densificación y la Dinámica para 3DGS Libre de Transitorios

RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS

June 3, 2025

Autores: Chuanyu Fu, Yuqi Zhang, Kunbin Yao, Guanying Chen, Yuan Xiong, Chuan Huang, Shuguang Cui, Xiaochun Cao

cs.AI

Resumen

El método de *3D Gaussian Splatting* (3DGS) ha captado una atención significativa por su capacidad de renderizado en tiempo real y fotorrealista en la síntesis de nuevas vistas y el modelado 3D. Sin embargo, los métodos existentes presentan dificultades para modelar con precisión escenas afectadas por objetos transitorios, lo que genera artefactos en las imágenes renderizadas. Identificamos que el proceso de densificación gaussiana, si bien mejora la captura de detalles de la escena, contribuye involuntariamente a estos artefactos al generar gaussianas adicionales que modelan perturbaciones transitorias. Para abordar este problema, proponemos *RobustSplat*, una solución robusta basada en dos diseños críticos. En primer lugar, introducimos una estrategia de crecimiento gaussiano retardado que prioriza la optimización de la estructura estática de la escena antes de permitir la división/clonación de gaussianas, mitigando así el sobreajuste a objetos transitorios en las primeras etapas de optimización. En segundo lugar, diseñamos un enfoque de arranque enmascarado en cascada de escalas que primero aprovecha la supervisión de similitud de características en baja resolución para obtener una estimación inicial confiable de la máscara transitoria, aprovechando su mayor consistencia semántica y robustez frente al ruido, y luego avanza hacia la supervisión en alta resolución para lograr una predicción de máscara más precisa. Experimentos exhaustivos en múltiples conjuntos de datos desafiantes muestran que nuestro método supera a los enfoques existentes, demostrando claramente la robustez y efectividad de nuestra propuesta. Nuestra página del proyecto está disponible en https://fcyycf.github.io/RobustSplat/.

English

3D Gaussian Splatting (3DGS) has gained significant attention for its real-time, photo-realistic rendering in novel-view synthesis and 3D modeling. However, existing methods struggle with accurately modeling scenes affected by transient objects, leading to artifacts in the rendered images. We identify that the Gaussian densification process, while enhancing scene detail capture, unintentionally contributes to these artifacts by growing additional Gaussians that model transient disturbances. To address this, we propose RobustSplat, a robust solution based on two critical designs. First, we introduce a delayed Gaussian growth strategy that prioritizes optimizing static scene structure before allowing Gaussian splitting/cloning, mitigating overfitting to transient objects in early optimization. Second, we design a scale-cascaded mask bootstrapping approach that first leverages lower-resolution feature similarity supervision for reliable initial transient mask estimation, taking advantage of its stronger semantic consistency and robustness to noise, and then progresses to high-resolution supervision to achieve more precise mask prediction. Extensive experiments on multiple challenging datasets show that our method outperforms existing methods, clearly demonstrating the robustness and effectiveness of our method. Our project page is https://fcyycf.github.io/RobustSplat/.