MVG-Splatting: Multi-View Guided Gaussian Splatting with Adaptive Quantile-Based Geometric Consistency Densification

在快速发展的三维重建领域中，3D高斯喷洒（3DGS）和2D高斯喷洒（2DGS）代表了重大进展。虽然2DGS将3D高斯基元压缩成2D高斯表面元素以有效提高网格提取质量，但此压缩可能会导致渲染质量降低。此外，不可靠的密集化过程和通过不透明度累积计算深度可能会损害网格提取的细节。为了解决这个问题，我们引入了MVG-Splatting，这是一个由多视角考虑引导的解决方案。具体而言，我们集成了一种优化的法线计算方法，与图像梯度相结合，有助于矫正原始深度计算中的不一致性。此外，利用类似于多视角立体视觉（MVS）的投影策略，我们提出了一种自适应的基于分位数的方法，根据深度图动态确定额外密集化的级别，从粗到细的细节。实验证据表明，我们的方法不仅解决了深度差异导致的渲染质量降低的问题，而且利用Marching Cubes算法可以直接从密集的高斯点云中提取网格。这种方法显著提高了3D重建过程的整体保真度和准确性，确保了几何细节和视觉质量。

论文旨在解决3D重建中存在的渲染质量下降和网格提取细节损失的问题，同时提高整体准确性和保留几何细节和视觉质量。

论文提出MVG-Splatting解决方案，通过多视图考虑和优化法线计算，结合图像梯度纠正深度计算的不一致性，使用自适应的分位数方法动态确定从粗到细的额外密集度，从而提高重建精度和保留几何细节和视觉质量。

实验结果表明，MVG-Splatting方法不仅解决了深度不一致性带来的渲染质量下降问题，还能直接从密集的高斯点云中提取网格，显著提高了3D重建的准确性和保留几何细节和视觉质量。论文使用了公开数据集，但未提供代码。

近期相关研究包括：《3D Gaussian Splatting for Efficient and Accurate Large-Scale Point Cloud Rendering》、《Multi-View Stereo: A Tutorial》等。