VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction

现有的基于NeRF的大场景重建方法通常存在视觉质量和渲染速度方面的限制。虽然最近的3D高斯点插值方法在小规模和以物体为中心的场景中表现良好，但将其扩展到大场景面临着由于视频内存有限、优化时间长和外观变化明显等挑战。为了解决这些挑战，我们提出了VastGaussian，这是一种基于3D高斯点插值的针对大场景的高质量重建和实时渲染的方法。我们提出了一种渐进式分区策略，将大场景划分为多个单元，其中训练相机和点云根据空域感知的可见性标准进行适当分布。这些单元在并行优化后合并为完整的场景。我们还在优化过程中引入了解耦的外观建模方法，以减少渲染图像中的外观变化。我们的方法优于现有的基于NeRF的方法，并在多个大场景数据集上实现了最先进的结果，实现了快速优化和高保真实时渲染。

VastGaussian论文旨在通过3D高斯点描技术，解决大场景重建中存在的可视质量和渲染速度的限制。

论文提出了一种分步策略，将大场景分成多个单元格，在空域感知可见性标准下适当分配训练相机和点云。这些单元格在并行优化后合并成完整的场景。同时，引入了分离的外观建模来减少渲染图像中的外观差异。

该方法在多个大场景数据集上取得了最先进的结果，并实现了快速优化和高保真实时渲染。论文的亮点包括：分步策略、空域感知可见性标准、分离的外观建模、并行优化等。实验设计合理，使用了多个数据集进行测试，并公开了代码。

最近的相关研究包括：NeRF、3D高斯点描、大场景重建等。