Ancoraggio e Armoniche Sferiche per il Gaussian Splatting con Viste Scarse
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Autori: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Abstract
I recenti metodi di Dropout per 3D Gaussian Splatting (3DGS) affrontano l'overfitting in condizioni di visualizzazione sparsa annullando casualmente le opacità gaussiane. Tuttavia, abbiamo identificato un effetto di compensazione dei vicini in questi approcci: i Gaussiani rimossi sono spesso compensati dai loro vicini, indebolendo la regolarizzazione prevista. Inoltre, questi metodi trascurano il contributo dei coefficienti armonici sferici (SH) di alto grado all'overfitting. Per risolvere questi problemi, proponiamo DropAnSH-GS, una nuova strategia di Dropout basata su ancore. Invece di rimuovere i Gaussiani in modo indipendente, il nostro metodo seleziona casualmente alcuni Gaussiani come ancore e rimuove simultaneamente i loro vicini spaziali. Ciò interrompe efficacemente le ridondanze locali vicino alle ancore e incoraggia il modello ad apprendere rappresentazioni più robuste e informate globalmente. Inoltre, estendiamo il Dropout agli attributi di colore rimuovendo casualmente gli SH di grado più elevato per concentrare le informazioni sull'aspetto negli SH di grado inferiore. Questa strategia mitiga ulteriormente l'overfitting e consente una flessibile compressione del modello post-addestramento tramite troncamento degli SH. I risultati sperimentali dimostrano che DropAnSH-GS supera sostanzialmente i metodi di Dropout esistenti con un overhead computazionale trascurabile e può essere facilmente integrato in varie varianti di 3DGS per migliorarne le prestazioni. Sito web del progetto: 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