NegGS: Negative Gaussian Splatting

3D渲染的一个关键优势是能够准确模拟复杂场景。其中最常用的方法之一是高斯喷洒法，这是一种以其快速训练和推理能力而闻名的新方法。本质上，高斯喷洒法涉及将关于感兴趣的3D对象的数据纳入一系列高斯分布中，然后可以将每个高斯分布在3D中以类似于传统网格的方式表示。遗憾的是，由于高斯函数被认为是线性的，因此目前在高斯喷洒法中使用高斯函数有些局限性。实际上，3D对象通常由复杂的曲线和高度非线性的结构组成。通过使用多个高斯分量来反映复杂的非线性结构，可以在一定程度上缓解这个问题。然而，这种方法会导致时间复杂度大大增加。本文引入了负高斯的概念，它们被解释为具有负颜色的项。这种方法背后的理论基础是通过将两个高斯分布的概率密度函数（PDF）相除创建的密度分布，我们称之为Diff-Gaussian。这样的分布可用于近似如甜甜圈和月牙形数据集等结构。实验结果表明，应用这些技术可以增强对具有快速颜色转换的高频元素的建模，并改善阴影的表示。据我们所知，这是第一篇将高斯喷洒法中的简单椭球形状扩展到更复杂的非线性结构的论文。

论文试图通过引入负高斯函数来解决高频元素和阴影表示问题，以提高高复杂度3D物体的准确模拟。

论文提出了负高斯函数的概念，并将其解释为具有负颜色的物品，以更准确地反映高度非线性结构的复杂性。

论文通过实验发现，使用负高斯函数可以提高高频元素和阴影的表示，同时还可以更准确地模拟高复杂度3D物体。该方法对于不规则的数据集，如甜甜圈和月牙形数据集，也有良好的适应性。

最近的相关研究包括基于深度学习的3D渲染方法，如《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》和《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》。