Ankerplaatsing en Sferische Harmonischen voor Sparse-view Gaussische Splatting
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Auteurs: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Samenvatting
Recente 3D Gaussian Splatting (3DGS) Dropout-methoden pakken overfitting onder sparse-view condities aan door willekeurig Gaussian-opaciteiten te nullificeren. Wij identificeren echter een nabuurcompensatie-effect bij deze benaderingen: gedropte Gaussians worden vaak gecompenseerd door hun buren, wat de beoogde regularisatie verzwakt. Bovendien negeren deze methoden de bijdrage van sferisch harmonische coëfficiënten (SH) met een hoge graad aan overfitting. Om deze problemen aan te pakken, stellen wij DropAnSH-GS voor, een nieuwe ankergebaseerde Dropout-strategie. In plaats van Gaussians onafhankelijk te droppen, selecteert onze methode willekeurig bepaalde Gaussians als ankers en verwijdert gelijktijdig hun ruimtelijke buren. Dit verstoort effectief lokale redundanties nabij ankers en moedigt het model aan robuustere, globaal geïnformeerde representaties te leren. Verder breiden wij de Dropout uit naar kleurattributen door willekeurig hogeregraads SH te droppen om verschijningsinformatie te concentreren in lageregraads SH. Deze strategie vermindert overfitting verder en maakt flexibele modelcompressie na training mogelijk via SH-afkapping. Experimentele resultaten tonen aan dat DropAnSH-GS bestaande Dropout-methoden aanzienlijk overtreft met verwaarloosbare rekenkosten, en eenvoudig kan worden geïntegreerd in verschillende 3DGS-varianten om hun prestaties te verbeteren. Projectwebsite: 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