RobustSplat: Ontkoppeling van verdichting en dynamiek voor transiëntvrije 3DGS
RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS
June 3, 2025
Auteurs: Chuanyu Fu, Yuqi Zhang, Kunbin Yao, Guanying Chen, Yuan Xiong, Chuan Huang, Shuguang Cui, Xiaochun Cao
cs.AI
Samenvatting
3D Gaussian Splatting (3DGS) heeft aanzienlijke aandacht gekregen vanwege zijn realtime, fotorealistische rendering in novel-view synthesis en 3D-modellering. Bestaande methoden hebben echter moeite met het nauwkeurig modelleren van scènes die worden beïnvloed door tijdelijke objecten, wat leidt tot artefacten in de gerenderde beelden. Wij constateren dat het Gaussian densification-proces, hoewel het het vastleggen van scènedetails verbetert, onbedoeld bijdraagt aan deze artefacten door extra Gaussians te laten groeien die tijdelijke verstoringen modelleren. Om dit aan te pakken, stellen wij RobustSplat voor, een robuuste oplossing gebaseerd op twee cruciale ontwerpen. Ten eerste introduceren we een vertraagde Gaussian-groeistrategie die prioriteit geeft aan het optimaliseren van de statische scènestructuur voordat Gaussian splitting/cloning wordt toegestaan, waardoor overfitting aan tijdelijke objecten in de vroege optimalisatie wordt beperkt. Ten tweede ontwerpen we een scale-cascaded mask bootstrapping-benadering die eerst gebruikmaakt van lagere-resolutie feature similarity-supervisie voor een betrouwbare initiële schatting van het tijdelijke masker, waarbij wordt geprofiteerd van de sterkere semantische consistentie en robuustheid tegen ruis, en vervolgens overgaat naar hoog-resolutie supervisie om een nauwkeurigere maskervoorspelling te bereiken. Uitgebreide experimenten op meerdere uitdagende datasets tonen aan dat onze methode de bestaande methoden overtreft, wat duidelijk de robuustheid en effectiviteit van onze methode aantoont. Onze projectpagina is 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/.