SVGS: Verbetering van Gaussische Splatting met Primitieven met Ruimtelijk Variërende Kleuren

SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors

May 4, 2026

Auteurs: Rui Xu, Wenyue Chen, Jiepeng Wang, Yuan Liu, Peng Wang, Cheng Lin, Shiqing Xin, Xin Li, Wenping Wang, Taku Komura

cs.AI

Samenvatting

Gaussiaans Splatten toont indrukwekkende resultaten in multi-viewreconstructie op basis van expliciete Gaussiaanse representaties. De huidige Gaussiaanse primitieven hebben echter slechts een enkele view-afhankelijke kleur en een doorzichtigheid om de verschijning en geometrie van de scène weer te geven, wat resulteert in een niet-compacte representatie. In dit artikel introduceren we een nieuwe methode genaamd SVGS (Spatially Varying Gaussian Splatting) die ruimtelijk variërende kleuren en doorzichtigheid binnen een enkel Gaussiaans primitief gebruikt om de representatiecapaciteit te verbeteren. We hebben bilineaire interpolatie, beweegbare kernels en kleine neurale netwerken geïmplementeerd als ruimtelijk variërende functies. SVGS gebruikt 2D Gaussiaanse surfels als primitieven, wat de synthese van nieuwe viewpoints aanzienlijk verbetert en tegelijkertijd hoogwaardige geometrische reconstructie behoudt. Deze aanpak is bijzonder effectief in praktische toepassingen, aangezien scènes die complexe texturen combineren met relatief eenvoudige geometrie vaak voorkomen in realistische omgevingen. Kwantitatieve en kwalitatieve experimentele resultaten tonen aan dat alle drie de functies de baseline overtreffen, waarbij de beste beweegbare kernels superieure prestaties leveren voor synthese van nieuwe viewpoints op meerdere datasets, wat het sterke potentieel van ruimtelijk variërende functies benadrukt. Projectpagina: https://ruixu.me/html/SuperGaussians/index.html

English

Gaussian Splatting demonstrates impressive results in multi-view reconstruction based on Gaussian explicit representations. However, the current Gaussian primitives only have a single view-dependent color and an opacity to represent the appearance and geometry of the scene, resulting in a non-compact representation. In this paper, we introduce a new method called SVGS (Spatially Varying Gaussian Splatting) that utilizes spatially varying colors and opacity in a single Gaussian primitive to improve its representation ability. We have implemented bilinear interpolation, movable kernels, and tiny neural networks as spatially varying functions. SVGS employs 2D Gaussian surfels as primitives, which significantly enhances novel-view synthesis while maintaining high-quality geometric reconstruction. This approach is particularly effective in practical applications, as scenes combining complex textures with relatively simple geometry occur frequently in real-world environments. Quantitative and qualitative experimental results demonstrate that all three functions outperform the baseline, with the best movable kernels achieving superior novel view synthesis performance on multiple datasets, highlighting the strong potential of spatially varying functions. Project page: https://ruixu.me/html/SuperGaussians/index.html