← 返回论文列表

基于各向异性可见场的不确定性驱动3D高斯散射主动建图
Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropic Visibility Field

作者: Shangjie Xue, Jesse Dill, Dhruv Ahuja 等6人
arXiv: 2605.30342v1
分类: cs.CV, cs.RO
📝 论文摘要
我们提出了高斯溅射各向异性可见性场（GAVIS），这是一种用于三维高斯溅射（3DGS）中不确定性量化与主动建图的新型框架。其核心洞察在于：训练视角中未观测到的区域会导致3DGS产生不可靠的预测。为解决此问题，我们引入了一种原理性且高效的方法来量化3DGS中的可见性场，该场定义为每个粒子相对于训练视角的各向异性可见性，并采用球谐函数表示。由此得到的可见性场被集成到基于贝叶斯网络的不确定性感知3DGS光栅化器中，从而实现对合成视图的实时（200 FPS）不确定性量化。在此基础上，进一步基于最大信息增益框架执行主动建图。跨多种环境的广泛实验表明，GAVIS在精度和效率上均持续且显著优于先前方法。此外，除独立使用外，我们的方法还可事后应用于提升现有方法的性能。

📊 核心分析

🎯 研究动机
- 解决**3D高斯泼溅(3D Gaussian Splatting, 3DGS)** 在主动建图(active mapping)中的**不确定性量化** 问题 - 现有方法在训练视角未覆盖区域预测不准确，缺乏可靠的不确定性度量 - 研究背景：实时**新视角合成(NeRF/3DGS)** 需要主动选择最优视角，但缺乏鲁棒的不确定性评估机制
🔧 核心方法
- 提出**各向异性可见性场(anisotropic visibility field)**，用**球谐函数(spherical harmonics, SH)** 表示每个高斯粒子的可见性分布 - 将可见性场集成到**贝叶斯网络(Bayesian Network)** 不确定性感知**光栅化器(rasterizer)** 中，实现实时(200 FPS)不确定性量化 - 基于**最大信息增益(maximum information gain)** 框架进行主动建图，选择信息量最大的新视角
💡 核心创新
- **首创性**：首次将**各向异性可见性场** 引入3DGS，用于建模训练视角对每个粒子的可见度，而非传统全局各向同性假设 - **高效表示**：用球谐函数紧凑编码可见性场，使不确定性量化与渲染可并行计算，达到实时帧率 - **后处理兼容**：可作为**即插即用** 模块应用于现有3DGS方法，无需重新训练即可提升性能
🏆 总体贡献
- 为**3DGS主动建图** 提供了一种**不确定性驱动** 的新范式，显著提升了视角选择的准确性 - 在多种真实场景中，**精度(e.g., PSNR)** 和**效率(e.g., 采集时间)** 均一致且大幅超越现有方法 - 开源框架促进后续研究，且**后处理(post-hoc)** 能力使其易于集成到已有系统中