3D-HGS: 3D Half-Gaussian Splatting

照片级真实三维重建是三维计算机视觉中的一个基本问题。近期神经渲染技术的出现使得这一领域有了相当大的进展。这些技术主要旨在学习三维场景的体积表示，并通过从渲染中得出的损失函数来改进这些表示。在这些技术中，3D高斯点插值（3D-GS）已经成为一种重要的方法，超越了神经辐射场（NeRFs）。3D-GS使用参数化的三维高斯函数来建模空间位置和颜色信息，并结合基于瓦片的快速渲染技术。尽管它具有出色的渲染性能和速度，但使用三维高斯核在准确表示不连续函数方面存在固有的局限性，尤其是在形状不连续的边缘和角落以及颜色不连续的不同纹理之间。为了解决这个问题，我们提出使用三维半高斯（3D-HGS）核，这可以作为即插即用的核。我们的实验表明，它们可以提高当前3D-GS相关方法的性能，并在各种数据集上实现最先进的渲染性能，而不会影响渲染速度。

本论文旨在解决3D计算机视觉中的photo-realistic 3D Reconstruction问题，提出使用3D Half-Gaussian kernels来改进当前3D-GS方法中存在的限制性问题。

论文的关键思路是使用3D Half-Gaussian kernels来代替3D Gaussian kernels，以解决当前3D-GS方法在边缘和角落处、颜色不连续处的不准确表示问题。

论文通过实验验证了3D Half-Gaussian kernels能够提高当前3D-GS方法的性能，在多个数据集上取得了最先进的渲染性能。此外，论文还提供了开源代码。

近期的相关研究包括Neural Radiance Fields (NeRFs)等。