SVGS: Улучшение гауссовых сплайнов с использованием примитивов с пространственно изменяющейся окраской

SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors

May 4, 2026

Авторы: Rui Xu, Wenyue Chen, Jiepeng Wang, Yuan Liu, Peng Wang, Cheng Lin, Shiqing Xin, Xin Li, Wenping Wang, Taku Komura

cs.AI

Аннотация

Гауссово сплаттинг демонстрирует впечатляющие результаты в многовидовой реконструкции на основе явных представлений Гаусса. Однако текущие гауссовы примитивы обладают лишь одним зависящим от вида цветом и непрозрачностью для представления внешнего вида и геометрии сцены, что приводит к некомпактному представлению. В данной статье мы представляем новый метод под названием SVGS (Spatially Varying Gaussian Splatting), который использует пространственно варьируемые цвет и непрозрачность в рамках одного гауссова примитива для повышения его репрезентативной способности. Мы реализовали билинейную интерполяцию, перемещаемые ядра и компактные нейронные сети в качестве пространственно варьируемых функций. SVGS использует 2D гауссовы серфелы в качестве примитивов, что значительно улучшает синтез новых видов при сохранении высококачественной геометрической реконструкции. Данный подход особенно эффективен в практических приложениях, поскольку сцены, сочетающие сложные текстуры с относительно простой геометрией, часто встречаются в реальных условиях. Количественные и качественные экспериментальные результаты показывают, что все три функции превосходят базовый уровень, причем лучшие перемещаемые ядра демонстрируют превосходную производительность синтеза новых видов на нескольких наборах данных, подчеркивая большой потенциал пространственно варьируемых функций. Страница проекта: https://ruixu.me/html/SuperGaussians/index.html

English

Gaussian Splatting demonstrates impressive results in multi-view reconstruction based on Gaussian explicit representations. However, the current Gaussian primitives only have a single view-dependent color and an opacity to represent the appearance and geometry of the scene, resulting in a non-compact representation. In this paper, we introduce a new method called SVGS (Spatially Varying Gaussian Splatting) that utilizes spatially varying colors and opacity in a single Gaussian primitive to improve its representation ability. We have implemented bilinear interpolation, movable kernels, and tiny neural networks as spatially varying functions. SVGS employs 2D Gaussian surfels as primitives, which significantly enhances novel-view synthesis while maintaining high-quality geometric reconstruction. This approach is particularly effective in practical applications, as scenes combining complex textures with relatively simple geometry occur frequently in real-world environments. Quantitative and qualitative experimental results demonstrate that all three functions outperform the baseline, with the best movable kernels achieving superior novel view synthesis performance on multiple datasets, highlighting the strong potential of spatially varying functions. Project page: https://ruixu.me/html/SuperGaussians/index.html