Привязка к якорям и сферические гармоники для разреженного представления гауссовых сплатов
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
February 24, 2026
Авторы: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
cs.AI
Аннотация
Современные методы Dropout для 3D Gaussian Splatting (3DGS) решают проблему переобучения в условиях скудного набора видов путем случайного обнуления непрозрачности гауссоидов. Однако мы выявили в этих подходах эффект компенсации соседей: удаленные гауссоиды часто компенсируются их соседями, что ослабляет предполагаемую регуляризацию. Более того, эти методы упускают из виду вклад сферических гармоник высоких степеней (SH) в переобучение. Для решения этих проблем мы предлагаем DropAnSH-GS — новую якорную стратегию Dropout. Вместо независимого удаления гауссоидов наш метод случайным образом выбирает определенные гауссоиды в качестве якорей и одновременно удаляет их пространственных соседей. Это эффективно нарушает локальные избыточности вблизи якорей и побуждает модель изучать более устойчивые, глобально осведомленные представления. Кроме того, мы расширяем Dropout на цветовые атрибуты, случайным образом удаляя SH высоких степеней, чтобы сконцентрировать информацию о внешнем виде в SH низких степеней. Эта стратегия дополнительно смягчает переобучение и позволяет осуществлять гибкое сжатие модели после обучения путем усечения SH. Результаты экспериментов показывают, что DropAnSH-GS существенно превосходит существующие методы Dropout с незначительными вычислительными затратами и может быть легко интегрирован в различные варианты 3DGS для улучшения их производительности. Сайт проекта: 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