희소 뷰 가우시안 스플래팅을 위한 앵커 드롭 및 구면 조화 함수 기법
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
저자: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
초록
최근 3D 가우시안 스플래팅(3DGS) 드롭아웃 방법론들은 가우시안 불투명도를 무작위로 무효화하여 희소 시점 조건에서의 과적합을 해결하고자 합니다. 그러나 본 연구에서는 이러한 기법들에서 이웃 보상 효과를 확인했습니다: 제거된 가우시안들이 주변 이웃들에 의해 종종 보상되어, 의도된 정규화 효과가 약화되는 현상입니다. 더욱이, 기존 방법들은 과적합에 대한 고차 구면 조화 계수(Spherical Harmonic, SH)의 기여도를 간과했습니다. 이러한 문제점들을 해결하기 위해, 본 논문에서는 새로운 앵커 기반 드롭아웃 전략인 DropAnSH-GS를 제안합니다. 우리의 방법은 가우시안들을 독립적으로 제거하는 대신, 특정 가우시안들을 앵커로 무작위 선정하고 그 공간적 이웃들을 함께 제거합니다. 이는 앵커 주변의 지역적 중복성을 효과적으로 차단하여 모델이 더욱 강건하고 전역 정보를 반영한 표현을 학습하도록 유도합니다. 나아가, 우리는 드롭아웃을 색상 속성으로 확장하여 고차 SH 성분을 무작위로 제거함으로써 외관 정보가 저차 SH에 집중되도록 합니다. 이 전략은 과적합을 추가적으로 완화하고 SH 절단을 통한 훈련 후 유연한 모델 압축을 가능하게 합니다. 실험 결과, DropAnSH-GS는 무시할 만한 계산 오버헤드로 기존 드롭아웃 방법들을 크게 능가하며, 다양한 3DGS 변형 모델에 쉽게 통합되어 성능을 향상시킬 수 있음을 입증합니다. 프로젝트 웹사이트: 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