SVGS : Amélioration du placage de Gauss à l'aide de primitives à couleurs spatialement variables

SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors

May 4, 2026

Auteurs: Rui Xu, Wenyue Chen, Jiepeng Wang, Yuan Liu, Peng Wang, Cheng Lin, Shiqing Xin, Xin Li, Wenping Wang, Taku Komura

cs.AI

Résumé

Le *Gaussian Splatting* démontre des résultats impressionnants dans la reconstruction multi-vues basée sur des représentations explicites gaussiennes. Cependant, les primitives gaussiennes actuelles ne possèdent qu'une seule couleur dépendante de la vue et une opacité pour représenter l'apparence et la géométrie de la scène, ce qui conduit à une représentation non compacte. Dans cet article, nous présentons une nouvelle méthode appelée SVGS (*Spatially Varying Gaussian Splatting*) qui utilise des couleurs et une opacité spatialement variables au sein d'une seule primitive gaussienne pour améliorer sa capacité de représentation. Nous avons implémenté l'interpolation bilinéaire, des noyaux mobiles et de petits réseaux de neurones comme fonctions à variation spatiale. SVGS utilise des *surfels* gaussiens 2D comme primitives, ce qui améliore significativement la synthèse de nouvelles vues tout en maintenant une reconstruction géométrique de haute qualité. Cette approche est particulièrement efficace dans les applications pratiques, car les scènes combinant des textures complexes avec une géométrie relativement simple sont fréquentes dans les environnements réels. Les résultats expérimentaux quantitatifs et qualitatifs démontrent que les trois fonctions surpassent la référence, les noyaux mobiles obtenant les meilleures performances en synthèse de nouvelles vues sur plusieurs jeux de données, soulignant le fort potentiel des fonctions à variation spatiale. Page du projet : 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