Anclaje y Armónicos Esféricos para el Gaussian Splatting de Vistas Escasas
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Autores: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Resumen
Los métodos recientes de Dropout en 3D Gaussian Splatting (3DGS) abordan el sobreajuste en condiciones de vistas escasas anulando aleatoriamente las opacidades Gaussianas. Sin embargo, identificamos un efecto de compensación vecinal en estos enfoques: las Gaussianas eliminadas a menudo son compensadas por sus vecinas, debilitando la regularización pretendida. Además, estos métodos pasan por alto la contribución de los coeficientes de armónicos esféricos (SH) de alto grado al sobreajuste. Para abordar estos problemas, proponemos DropAnSH-GS, una novedosa estrategia de Dropout basada en anclajes. En lugar de eliminar Gaussianas de forma independiente, nuestro método selecciona aleatoriamente ciertas Gaussianas como anclajes y elimina simultáneamente sus vecinas espaciales. Esto interrumpe efectivamente las redundancias locales cerca de los anclajes y fomenta que el modelo aprenda representaciones más robustas e informadas globalmente. Además, extendemos el Dropout a los atributos de color eliminando aleatoriamente los SH de mayor grado para concentrar la información de apariencia en los SH de menor grado. Esta estrategia mitiga aún más el sobreajuste y permite una compresión flexible del modelo después del entrenamiento mediante truncamiento de SH. Los resultados experimentales demuestran que DropAnSH-GS supera sustancialmente a los métodos de Dropout existentes con un overhead computacional insignificante, y puede integrarse fácilmente en varias variantes de 3DGS para mejorar su rendimiento. Sitio web del proyecto: 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