スパースビューガウススプラッティングのためのアンカー投下と球面調和関数

Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting

February 24, 2026

著者: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi

cs.AI

要旨

最近の3D Gaussian Splatting（3DGS）におけるDropout手法は、スパースビュー条件での過学習に対処するため、ガウシアンの不透明度をランダムに無効化する。しかし我々は、これらの手法に隣接補償効果が存在することを見出した：ドロップされたガウシアンは隣接ガウシアンによって補償され、正則化の効果が弱まってしまう。さらに、これらの手法は高次球面調和関数係数（SH）が過学習に与える影響を看過している。これらの問題を解決するため、我々はDropAnSH-GSという新しいアンカーベースのDropout戦略を提案する。個別にガウシアンをドロップするのではなく、特定のガウシアンをアンカーとしてランダムに選択し、その空間的近傍を同時に除去する。これにより、アンカー周辺の局所的な冗長性を効果的に破壊し、よりロバストで大域的な情報を考慮した表現の学習が促進される。さらに、高次SH係数をランダムにドロップするDropoutを色属性に拡張し、外観情報を低次SHに集中させる。この戦略は過学習をさらに軽減し、SH打ち切りによる学習後の柔軟なモデル圧縮を可能にする。実験結果から、DropAnSH-GSが既存のDropout手法を大幅に上回り、計算コストは無視可能であり、様々な3DGS変種に容易に統合して性能を向上させられることが示された。プロジェクトウェブサイト：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