AtomGS: Atomizing Gaussian Splatting for High-Fidelity Radiance Field

最近，3D高斯飞溅（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进展。然而，其混合优化和自适应密度控制策略可能会导致次优结果；有时会因为优先考虑优化大高斯函数而以充分密度化较小高斯函数的代价而产生噪声几何和模糊伪影。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。该策略通过根据场景细节更加注重密度化，增强了具有细节特征的区域的表示。此外，我们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。这种优化方法在保留复杂细节的同时有效地平滑了平坦表面。我们的评估显示AtomGS在渲染质量方面优于现有的最先进方法。此外，它在几何重建方面达到了竞争精度，并且比其他基于SDF的方法提供了显着的训练速度提高。更多互动演示可以在我们的网站（\href{https://rongliu-leo.github.io/AtomGS/}{https://rongliu-leo.github.io/AtomGS/}）上找到。

AtomGS试图解决3D高斯喷洒（3DGS）方法中存在的优化混合和自适应密度控制可能导致次优结果的问题，以及在优化大型高斯函数的同时未充分增加小型高斯函数的密度而导致的几何噪声和模糊伪影问题。

AtomGS包括原子化扩散和几何引导优化两个部分。原子化扩散将各种大小的椭圆高斯函数约束为更均匀大小的原子高斯函数，以更好地表示细节丰富的区域。几何引导优化采用边缘感知法则损失，有效平滑平面，同时保留精细的细节。

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性的精度，并且相对于其他基于SDF的方法，训练速度有了显著提高。论文作者提供了互动演示，并在其网站上提供了开源代码。

最近的相关研究包括：NeRF, SoftRas, DIB-R, etc.