C^3-GS: Aprendiendo características conscientes del contexto, de dimensiones cruzadas y escalas cruzadas para un Gaussian Splatting generalizable

El Gaussian Splatting generalizable tiene como objetivo sintetizar vistas novedosas para escenas no vistas sin optimización por escena. En particular, los avances recientes utilizan redes feed-forward para predecir parámetros gaussianos por píxel, permitiendo una síntesis de alta calidad a partir de vistas de entrada escasas. Sin embargo, los enfoques existentes no logran codificar características discriminativas y consistentes en múltiples vistas para las predicciones gaussianas, que luchan por construir geometría precisa con vistas escasas. Para abordar esto, proponemos C^3-GS, un marco que mejora el aprendizaje de características al incorporar restricciones conscientes del contexto, de dimensiones cruzadas y de escalas cruzadas. Nuestra arquitectura integra tres módulos livianos en un pipeline de renderizado unificado, mejorando la fusión de características y permitiendo una síntesis fotorrealista sin requerir supervisión adicional. Extensos experimentos en conjuntos de datos de referencia validan que C^3-GS logra una calidad de renderizado de vanguardia y capacidad de generalización. El código está disponible en: https://github.com/YuhsiHu/C3-GS.