Effizientes und räumlich sensibles 3D-Gaussian-Splatting für kompakte großflächige Szenenrekonstruktion

Während 3D Gaussian Splatting (3DGS) die großflächige 3D-Rekonstruktion und neuartige Sichtsynthese erheblich vorangebracht hat, leidet es weiterhin unter hohem Speicherverbrauch und langsamer Trainingsgeschwindigkeit. Um diese Probleme ohne Einbußen bei der Rekonstruktionsqualität zu lösen, schlagen wir einen neuartigen, auf 3DGS basierenden Rahmen vor, der für großflächige Szenen maßgeschneidert ist. Konkret führen wir eine sichtbarkeitsbewusste Kameraselektionsstrategie innerhalb eines Divide-and-Conquer-Trainingsansatzes ein, um die Anzahl der Eingabebilder für jeden Teilbereich dynamisch anzupassen. Während des Trainings wird eine räumlich sensible Verdichtungsstrategie eingesetzt, um die Rekonstruktion entfernter Objekte zu verbessern, ergänzt durch Tiefenregularisierung zur Verfeinerung geometrischer Details. Darüber hinaus wenden wir eine verbesserte Gaussian-Pruning-Methode an, um die Bedeutung jeder Gaußschen Funktion neu zu bewerten, redundante Gaussians mit geringem Beitrag zu entfernen und dadurch Effizienz zu steigern sowie den Speicherverbrauch zu reduzieren. Experimente an mehreren großflächigen Szenendatensätzen zeigen, dass unser Ansatz eine überlegene Leistung sowohl in Qualität als auch Effizienz erzielt. Mit seiner Robustheit und Skalierbarkeit bietet unsere Methode großes Potenzial für reale Anwendungen wie autonomes Fahren, digitale Zwillinge, Stadtvermessung und Erstellung von VR-Inhalten.