AtomGS: Atomizing Gaussian Splatting for High-Fidelity Radiance Field

最近，3D高斯喷洒（3DGS）通过提供卓越的新视角合成和实时渲染速度，推动了辐射场重建的发展。然而，其混合优化和自适应密度控制策略可能导致次优的结果；有时会产生嘈杂的几何形状和模糊的伪像，因为它优先考虑优化大高斯函数而牺牲了对小高斯函数的充分密实。为了解决这个问题，我们引入了AtomGS，包括原子化扩散和几何引导优化。原子化扩散将各种大小的椭球高斯函数约束为更均匀大小的原子高斯函数。这种策略通过更加注重与场景细节相符的密实化，增强了细节丰富区域的表现。此外，我们还提出了一种几何引导优化方法，其中包括边缘感知法线损失。这种优化方法有效地平滑了平面表面，同时保留了复杂的细节。我们的评估表明，AtomGS在渲染质量方面优于现有的最先进方法。此外，它在几何重建方面具有竞争力的准确性，并在训练速度上比其他基于SDF的方法有了显著的提高。更多交互演示可以在我们的网站上找到（https://rongliu-leo.github.io/AtomGS/）。

论文旨在解决3D高斯飞溅（3DGS）方法中存在的优化和自适应密度控制可能导致次优结果的问题，提出AtomGS方法以提高渲染质量和几何重建的准确性。

AtomGS方法包括原子化扩散和几何引导优化。原子化扩散将各种大小的椭球高斯约束为更均匀大小的原子高斯，以更好地表示具有细节特征的区域。几何引导优化采用边缘感知法则损失，有效平滑平面表面同时保留复杂细节。

AtomGS在渲染质量方面优于现有的最先进方法，在几何重建方面实现了竞争性的准确性，并且相对于其他基于SDF的方法具有显着的训练速度提升。论文提供了互动演示，并在其网站上公开了代码和数据集。

最近的相关研究包括：DeepSDF，DeepMarching，NeRF，GRAF等。