2DGS-Room: Espalhamento Gaussiano 2D Guiado por Semente com Restrições Geométricas para Reconstrução de Cenas Internas de Alta Fidelidade

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

December 4, 2024

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

cs.AI

Resumo

A reconstrução de cenas internas continua sendo um desafio devido à complexidade inerente das estruturas espaciais e à prevalência de regiões sem textura. Avanços recentes em Splatting Gaussiano 3D melhoraram a síntese de novas visualizações com processamento acelerado, mas ainda não alcançaram desempenho comparável na reconstrução de superfícies. Neste artigo, apresentamos o 2DGS-Room, um método inovador que utiliza Splatting Gaussiano 2D para reconstrução de cenas internas de alta fidelidade. Especificamente, empregamos um mecanismo guiado por sementes para controlar a distribuição dos Gaussianos 2D, com a densidade de pontos de semente otimizada dinamicamente por meio de mecanismos de crescimento e poda adaptativos. Para melhorar ainda mais a precisão geométrica, incorporamos profundidade monocular e priores normais para fornecer restrições para detalhes e regiões sem textura, respectivamente. Além disso, são empregadas restrições de consistência multi-visual para mitigar artefatos e aprimorar ainda mais a qualidade da reconstrução. Experimentos extensivos nos conjuntos de dados ScanNet e ScanNet++ demonstram que nosso método alcança desempenho de ponta na reconstrução de cenas internas.

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.