Ancoragem e Harmônicos Esféricos para Gaussian Splatting com Poucas Visualizações
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Autores: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Resumo
Os métodos recentes de Dropout baseados em 3D Gaussian Splatting (3DGS) abordam o sobreajuste em condições de visão esparsa anulando aleatoriamente as opacidades Gaussianas. No entanto, identificamos um efeito de compensação vizinha nestas abordagens: as Gaussianas removidas são frequentemente compensadas pelos seus vizinhos, enfraquecendo a regularização pretendida. Além disso, estes métodos ignoram a contribuição dos coeficientes esféricos harmónicos (SH) de alto grau para o sobreajuste. Para resolver estas questões, propomos o DropAnSH-GS, uma nova estratégia de Dropout baseada em âncoras. Em vez de remover Gaussianas independentemente, o nosso método seleciona aleatoriamente certas Gaussianas como âncoras e remove simultaneamente os seus vizinhos espaciais. Isto perturba efetivamente as redundâncias locais próximas das âncoras e incentiva o modelo a aprender representações mais robustas e globalmente informadas. Adicionalmente, estendemos o Dropout aos atributos de cor, removendo aleatoriamente SH de grau mais elevado para concentrar a informação de aparência em SH de grau inferior. Esta estratégia mitiga ainda mais o sobreajuste e permite uma compressão flexível do modelo após o treino via truncagem de SH. Resultados experimentais demonstram que o DropAnSH-GS supera substancialmente os métodos de Dropout existentes com sobrecarga computacional insignificante, e pode ser facilmente integrado em várias variantes do 3DGS para melhorar o seu desempenho. Site do Projeto: 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