Los puntos clave no están disponibles para este artículo en este momento.
El Splatting Gaussiano (GS) ha demostrado ser altamente eficaz en la síntesis de nuevas vistas, logrando renderizados de alta calidad y en tiempo real. Sin embargo, su potencial para reconstruir formas 3D detalladas no ha sido completamente explorado. Los métodos existentes a menudo sufren de una precisión limitada en la forma debido a la naturaleza discreta y no estructurada de los splats gaussianos, lo que complica la extracción de formas. Aunque técnicas recientes como el GS 2D han intentado mejorar la reconstrucción de formas, a menudo reformulan los primitivos gaussianos de maneras que reducen tanto la calidad de renderizado como la eficiencia computacional. Para abordar estos problemas, nuestro trabajo introduce un enfoque rasterizado para renderizar los mapas de profundidad y los mapas de normales de superficies de splats gaussianos 3D generales. Nuestro método no solo mejora significativamente la precisión de la reconstrucción de formas, sino que también mantiene la eficiencia computacional intrínseca al Splatting Gaussiano. Nuestro enfoque logra un error de distancia de Chamfer comparable al de NeuraLangelo en el conjunto de datos DTU y tiempos de entrenamiento y renderizado similares a los del Splatting Gaussiano tradicional en el conjunto de datos Tanks & Temples. Nuestro método es un avance significativo en el Splatting Gaussiano y puede integrarse directamente en métodos existentes basados en Splatting Gaussiano.
Zhang et al. (Mon,) estudiaron esta cuestión.