PLANING: Un Marco de Trabajo de Triángulo-Gaussiano Débilmente Acoplado para la Reconstrucción 3D en Tiempo Real
PLANING: A Loosely Coupled Triangle-Gaussian Framework for Streaming 3D Reconstruction
January 29, 2026
Autores: Changjian Jiang, Kerui Ren, Xudong Li, Kaiwen Song, Linning Xu, Tao Lu, Junting Dong, Yu Zhang, Bo Dai, Mulin Yu
cs.AI
Resumen
La reconstrucción en tiempo real a partir de secuencias de imágenes monoculares sigue siendo un desafío, ya que los métodos existentes suelen favorecer ya sea la renderización de alta calidad o la geometría precisa, pero rara vez ambas. Presentamos PLANING, un marco de reconstrucción eficiente sobre la marcha basado en una representación híbrida que acopla de forma flexible primitivas geométricas explícitas con gaussianas neuronales, permitiendo modelar la geometría y la apariencia de manera desacoplada. Este desacoplamiento permite una estrategia de inicialización y optimización en línea que separa las actualizaciones de geometría y apariencia, produciendo una reconstrucción en streaming estable con una redundancia estructural sustancialmente reducida. PLANING mejora la métrica Chamfer-L2 de malla densa en un 18.52% respecto a PGSR, supera a ARTDECO en 1.31 dB de PSNR, y reconstruye escenas de ScanNetV2 en menos de 100 segundos, más de 5 veces más rápido que 2D Gaussian Splatting, igualando la calidad de la optimización offline por escena. Más allá de la calidad de reconstrucción, la claridad estructural y la eficiencia computacional de PLANING lo hacen idóneo para una amplia gama de aplicaciones posteriores, como el modelado de escenas a gran escala y la creación de entornos listos para simulación para IA corporizada. Página del proyecto: https://city-super.github.io/PLANING/.
English
Streaming reconstruction from monocular image sequences remains challenging, as existing methods typically favor either high-quality rendering or accurate geometry, but rarely both. We present PLANING, an efficient on-the-fly reconstruction framework built on a hybrid representation that loosely couples explicit geometric primitives with neural Gaussians, enabling geometry and appearance to be modeled in a decoupled manner. This decoupling supports an online initialization and optimization strategy that separates geometry and appearance updates, yielding stable streaming reconstruction with substantially reduced structural redundancy. PLANING improves dense mesh Chamfer-L2 by 18.52% over PGSR, surpasses ARTDECO by 1.31 dB PSNR, and reconstructs ScanNetV2 scenes in under 100 seconds, over 5x faster than 2D Gaussian Splatting, while matching the quality of offline per-scene optimization. Beyond reconstruction quality, the structural clarity and computational efficiency of \modelname~make it well suited for a broad range of downstream applications, such as enabling large-scale scene modeling and simulation-ready environments for embodied AI. Project page: https://city-super.github.io/PLANING/ .