PLANING: Слабо связанная треугольно-гауссовская структура для потоковой 3D-реконструкции
PLANING: A Loosely Coupled Triangle-Gaussian Framework for Streaming 3D Reconstruction
January 29, 2026
Авторы: Changjian Jiang, Kerui Ren, Xudong Li, Kaiwen Song, Linning Xu, Tao Lu, Junting Dong, Yu Zhang, Bo Dai, Mulin Yu
cs.AI
Аннотация
Потоковая реконструкция по монокулярным последовательностям изображений остается сложной задачей, поскольку существующие методы обычно ориентированы либо на высококачественную визуализацию, либо на точную геометрию, но редко на оба аспекта одновременно. Мы представляем PLANING — эффективную framework для реконструкции на лету, построенную на гибридном представлении, которое свободно связывает явные геометрические примитивы с нейросетевыми гауссоидами, что позволяет моделировать геометрию и внешний вид раздельным образом. Такое разделение поддерживает стратегию онлайн-инициализации и оптимизации, разделяющую обновления геометрии и внешнего вида, что обеспечивает стабильную потоковую реконструкцию со значительным снижением структурной избыточности. PLANING улучшает метрику Chamfer-L2 для плотных мешей на 18.52% по сравнению с PGSR, превосходит ARTDECO на 1.31 дБ по PSNR и реконструирует сцены ScanNetV2 менее чем за 100 секунд, что более чем в 5 раз быстрее, чем 2D Gaussian Splatting, при сохранении качества офлайн-оптимизации для отдельных сцен. Помимо качества реконструкции, структурная четкость и вычислительная эффективность PLANING делают его хорошо подходящим для широкого спектра прикладных задач, таких как моделирование крупномасштабных сцен и создание сред, готовых для симуляции, в embodied AI. Страница проекта: 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/ .