SVGS: Mejora del Splatting Gaussiano mediante Primitivas con Colores Espacialmente Variables
SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors
May 4, 2026
Autores: Rui Xu, Wenyue Chen, Jiepeng Wang, Yuan Liu, Peng Wang, Cheng Lin, Shiqing Xin, Xin Li, Wenping Wang, Taku Komura
cs.AI
Resumen
El método Gaussian Splatting demuestra resultados impresionantes en la reconstrucción multi-vista basada en representaciones explícitas Gaussianas. Sin embargo, las primitivas Gaussianas actuales solo poseen un color dependiente de la vista y una opacidad para representar la apariencia y la geometría de la escena, lo que resulta en una representación no compacta. En este artículo, presentamos un nuevo método denominado SVGS (Spatially Varying Gaussian Splatting) que utiliza colores y opacidad espacialmente variables en una única primitiva Gaussiana para mejorar su capacidad de representación. Hemos implementado interpolación bilineal, kernels móviles y pequeñas redes neuronales como funciones espacialmente variables. SVGS emplea *surfels* Gaussianos 2D como primitivas, lo que mejora significativamente la síntesis de nuevas vistas manteniendo una reconstrucción geométrica de alta calidad. Este enfoque es particularmente efectivo en aplicaciones prácticas, ya que las escenas que combinan texturas complejas con una geometría relativamente simple son frecuentes en entornos del mundo real. Los resultados experimentales cuantitativos y cualitativos demuestran que las tres funciones superan a la línea base, logrando los mejores kernels móviles un rendimiento superior en la síntesis de nuevas vistas en múltiples conjuntos de datos, lo que resalta el gran potencial de las funciones espacialmente variables. Página del proyecto: 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