Ancrage et Harmoniques Sphériques pour le *Gaussian Splatting* à Vues Sparse
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Auteurs: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Résumé
Les méthodes récentes de Dropout par Gaussian Splatting 3D (3DGS) traitent le surapprentissage dans des conditions de vue éparse en annulant aléatoirement les opacités des Gaussiennes. Cependant, nous identifions un effet de compensation voisine dans ces approches : les Gaussiennes supprimées sont souvent compensées par leurs voisines, affaiblissant la régularisation souhaitée. De plus, ces méthodes négligent la contribution des coefficients d'harmoniques sphériques (SH) de haut degré au surapprentissage. Pour résoudre ces problèmes, nous proposons DropAnSH-GS, une nouvelle stratégie de Dropout basée sur des points d'ancrage. Plutôt que de supprimer des Gaussiennes indépendamment, notre méthode sélectionne aléatoirement certaines Gaussiennes comme points d'ancrage et supprime simultanément leurs voisines spatiales. Cela perturbe efficacement les redondances locales près des points d'ancrage et encourage le modèle à apprendre des représentations plus robustes et globalement informées. Par ailleurs, nous étendons le Dropout aux attributs de couleur en supprimant aléatoirement les SH de degré supérieur pour concentrer l'information d'apparence dans les SH de degré inférieur. Cette stratégie atténue davantage le surapprentissage et permet une compression flexible du modèle après entraînement via la troncation des SH. Les résultats expérimentaux démontrent que DropAnSH-GS surpasse substantiellement les méthodes de Dropout existantes avec une surcharge computationnelle négligeable, et peut être facilement intégré dans diverses variantes de 3DGS pour améliorer leurs performances. Site web du projet : 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