PLANING: Uma Estrutura Frouxamente Acoplada Triângulo-Gaussiano para Reconstrução 3D em Fluxo Contínuo
PLANING: A Loosely Coupled Triangle-Gaussian Framework for Streaming 3D Reconstruction
January 29, 2026
Autores: Changjian Jiang, Kerui Ren, Xudong Li, Kaiwen Song, Linning Xu, Tao Lu, Junting Dong, Yu Zhang, Bo Dai, Mulin Yu
cs.AI
Resumo
A reconstrução em fluxo contínuo a partir de sequências de imagens monoculares continua a ser um desafio, uma vez que os métodos existentes geralmente privilegiam ou a renderização de alta qualidade ou a geometria precisa, mas raramente ambos. Apresentamos o PLANING, uma estrutura de reconstrução eficiente e em tempo real, construída sobre uma representação híbrida que acopla de forma flexível primitivos geométricos explícitos com Gaussianas neurais, permitindo que a geometria e a aparência sejam modeladas de maneira desacoplada. Este desacoplamento suporta uma estratégia de inicialização e otimização online que separa as atualizações de geometria e aparência, produzindo uma reconstrução em fluxo estável com uma redução substancial da redundância estrutural. O PLANING melhora a métrica *Chamfer-L2* da malha densa em 18,52% em relação ao PGSR, supera o ARTDECO em 1,31 dB de PSNR e reconstrói cenas do ScanNetV2 em menos de 100 segundos, sendo mais de 5 vezes mais rápido do que o *2D Gaussian Splatting*, enquanto iguala a qualidade da otimização offline por cena. Para além da qualidade de reconstrução, a clareza estrutural e a eficiência computacional do PLANING tornam-no adequado para uma ampla gama de aplicações subsequentes, como a modelação de cenas em grande escala e a criação de ambientes prontos para simulação para IA corporizada. Página do projeto: https://city-super.github.io/PLANING/.
English
Streaming reconstruction from monocular image sequences remains challenging, as existing methods typically favor either high-quality rendering or accurate geometry, but rarely both. We present PLANING, an efficient on-the-fly reconstruction framework built on a hybrid representation that loosely couples explicit geometric primitives with neural Gaussians, enabling geometry and appearance to be modeled in a decoupled manner. This decoupling supports an online initialization and optimization strategy that separates geometry and appearance updates, yielding stable streaming reconstruction with substantially reduced structural redundancy. PLANING improves dense mesh Chamfer-L2 by 18.52% over PGSR, surpasses ARTDECO by 1.31 dB PSNR, and reconstructs ScanNetV2 scenes in under 100 seconds, over 5x faster than 2D Gaussian Splatting, while matching the quality of offline per-scene optimization. Beyond reconstruction quality, the structural clarity and computational efficiency of \modelname~make it well suited for a broad range of downstream applications, such as enabling large-scale scene modeling and simulation-ready environments for embodied AI. Project page: https://city-super.github.io/PLANING/ .