2DGS-Room: Zaadgeleide 2D Gaussisch Splatting met Geometrische Beperkingen voor Gedetailleerde Reconstructie van Binnenruimtes

2DGS-Room: Seed-Guided 2D Gaussian Splatting with Geometric Constrains for High-Fidelity Indoor Scene Reconstruction

December 4, 2024

Auteurs: Wanting Zhang, Haodong Xiang, Zhichao Liao, Xiansong Lai, Xinghui Li, Long Zeng

cs.AI

Samenvatting

De reconstructie van binnenruimtes blijft uitdagend vanwege de inherente complexiteit van ruimtelijke structuren en de prevalentie van textureloze gebieden. Recente ontwikkelingen in 3D Gaussisch Splatting hebben de synthese van nieuwe weergaven verbeterd met versnelde verwerking, maar hebben nog geen vergelijkbare prestaties geleverd in oppervlaktereconstructie. In dit artikel introduceren we 2DGS-Room, een nieuwe methode die gebruikmaakt van 2D Gaussisch Splatting voor hoogwaardige reconstructie van binnenruimtes. Specifiek maken we gebruik van een zaadgestuurd mechanisme om de verdeling van 2D Gaussians te controleren, waarbij de dichtheid van zaadpunten dynamisch wordt geoptimaliseerd door middel van adaptieve groei- en snoeimechanismen. Om de geometrische nauwkeurigheid verder te verbeteren, nemen we monoculaire diepte- en normaalpriora aan om beperkingen te bieden voor details en textureloze gebieden respectievelijk. Daarnaast worden multi-view consistentiebeperkingen toegepast om artefacten te verminderen en de reconstructiekwaliteit verder te verbeteren. Uitgebreide experimenten op de ScanNet en ScanNet++ datasets tonen aan dat onze methode state-of-the-art prestaties behaalt in de reconstructie van binnenruimtes.

English

The reconstruction of indoor scenes remains challenging due to the inherent complexity of spatial structures and the prevalence of textureless regions. Recent advancements in 3D Gaussian Splatting have improved novel view synthesis with accelerated processing but have yet to deliver comparable performance in surface reconstruction. In this paper, we introduce 2DGS-Room, a novel method leveraging 2D Gaussian Splatting for high-fidelity indoor scene reconstruction. Specifically, we employ a seed-guided mechanism to control the distribution of 2D Gaussians, with the density of seed points dynamically optimized through adaptive growth and pruning mechanisms. To further improve geometric accuracy, we incorporate monocular depth and normal priors to provide constraints for details and textureless regions respectively. Additionally, multi-view consistency constraints are employed to mitigate artifacts and further enhance reconstruction quality. Extensive experiments on ScanNet and ScanNet++ datasets demonstrate that our method achieves state-of-the-art performance in indoor scene reconstruction.