GSTAR: Отслеживание и восстановление поверхности Гаусса

GSTAR: Gaussian Surface Tracking and Reconstruction

January 17, 2025

Авторы: Chengwei Zheng, Lixin Xue, Juan Zarate, Jie Song

cs.AI

Аннотация

Техники трехмерного гауссовского сплэттинга позволили эффективно реализовать фотореалистичную визуализацию статических сцен. Недавние работы расширили эти подходы для поддержки восстановления поверхности и отслеживания. Однако отслеживание динамических поверхностей с помощью трехмерных гауссовских функций остается сложной задачей из-за изменений сложной топологии, таких как появление, исчезновение или разделение поверхностей. Для решения этих проблем мы предлагаем GSTAR, новый метод, который достигает фотореалистичной визуализации, точного восстановления поверхности и надежного трехмерного отслеживания для общих динамических сцен с изменяющейся топологией. Получив многокамерные снимки на входе, GSTAR привязывает гауссовские функции к граням сетки для представления динамических объектов. Для поверхностей с постоянной топологией GSTAR сохраняет топологию сетки и отслеживает сетки с использованием гауссовских функций. В областях, где происходят изменения топологии, GSTAR адаптивно отвязывает гауссовские функции от сетки, обеспечивая точную регистрацию и генерацию новых поверхностей на основе этих оптимизированных гауссовских функций. Кроме того, мы представляем метод потока сцены на основе поверхности, который обеспечивает надежную инициализацию для отслеживания между кадрами. Эксперименты показывают, что наш метод эффективно отслеживает и восстанавливает динамические поверхности, обеспечивая ряд приложений. Наша страница проекта с выложенным кодом доступна по адресу https://eth-ait.github.io/GSTAR/.

English

3D Gaussian Splatting techniques have enabled efficient photo-realistic rendering of static scenes. Recent works have extended these approaches to support surface reconstruction and tracking. However, tracking dynamic surfaces with 3D Gaussians remains challenging due to complex topology changes, such as surfaces appearing, disappearing, or splitting. To address these challenges, we propose GSTAR, a novel method that achieves photo-realistic rendering, accurate surface reconstruction, and reliable 3D tracking for general dynamic scenes with changing topology. Given multi-view captures as input, GSTAR binds Gaussians to mesh faces to represent dynamic objects. For surfaces with consistent topology, GSTAR maintains the mesh topology and tracks the meshes using Gaussians. In regions where topology changes, GSTAR adaptively unbinds Gaussians from the mesh, enabling accurate registration and the generation of new surfaces based on these optimized Gaussians. Additionally, we introduce a surface-based scene flow method that provides robust initialization for tracking between frames. Experiments demonstrate that our method effectively tracks and reconstructs dynamic surfaces, enabling a range of applications. Our project page with the code release is available at https://eth-ait.github.io/GSTAR/.