RobustSplat: Disaccoppiamento della Densificazione e della Dinamica per una 3DGS Senza Transienti
RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS
June 3, 2025
Autori: Chuanyu Fu, Yuqi Zhang, Kunbin Yao, Guanying Chen, Yuan Xiong, Chuan Huang, Shuguang Cui, Xiaochun Cao
cs.AI
Abstract
Il 3D Gaussian Splatting (3DGS) ha attirato notevole attenzione per la sua capacità di rendering in tempo reale e fotorealistico nella sintesi di nuove viste e nella modellazione 3D. Tuttavia, i metodi esistenti faticano a modellare accuratamente scene influenzate da oggetti transitori, portando alla comparsa di artefatti nelle immagini renderizzate. Identifichiamo che il processo di densificazione Gaussiana, pur migliorando la cattura dei dettagli della scena, contribuisce involontariamente a questi artefatti generando ulteriori Gaussiane che modellano disturbi transitori. Per affrontare questo problema, proponiamo RobustSplat, una soluzione robusta basata su due design critici. Innanzitutto, introduciamo una strategia di crescita Gaussiana ritardata che priorizza l'ottimizzazione della struttura statica della scena prima di consentire la divisione/clonazione delle Gaussiane, mitigando l'overfitting agli oggetti transitori nelle prime fasi di ottimizzazione. In secondo luogo, progettiamo un approccio di bootstrapping della maschera a cascata di scala che sfrutta inizialmente la supervisione della similarità delle feature a bassa risoluzione per una stima iniziale affidabile della maschera transitoria, approfittando della sua maggiore coerenza semantica e robustezza al rumore, per poi passare alla supervisione ad alta risoluzione per ottenere una previsione della maschera più precisa. Esperimenti estesi su più dataset complessi dimostrano che il nostro metodo supera i metodi esistenti, evidenziando chiaramente la robustezza e l'efficacia della nostra soluzione. La pagina del progetto è disponibile all'indirizzo https://fcyycf.github.io/RobustSplat/.
English
3D Gaussian Splatting (3DGS) has gained significant attention for its
real-time, photo-realistic rendering in novel-view synthesis and 3D modeling.
However, existing methods struggle with accurately modeling scenes affected by
transient objects, leading to artifacts in the rendered images. We identify
that the Gaussian densification process, while enhancing scene detail capture,
unintentionally contributes to these artifacts by growing additional Gaussians
that model transient disturbances. To address this, we propose RobustSplat, a
robust solution based on two critical designs. First, we introduce a delayed
Gaussian growth strategy that prioritizes optimizing static scene structure
before allowing Gaussian splitting/cloning, mitigating overfitting to transient
objects in early optimization. Second, we design a scale-cascaded mask
bootstrapping approach that first leverages lower-resolution feature similarity
supervision for reliable initial transient mask estimation, taking advantage of
its stronger semantic consistency and robustness to noise, and then progresses
to high-resolution supervision to achieve more precise mask prediction.
Extensive experiments on multiple challenging datasets show that our method
outperforms existing methods, clearly demonstrating the robustness and
effectiveness of our method. Our project page is
https://fcyycf.github.io/RobustSplat/.