CoR-GS: Sparse-View 3D Gaussian Splatting via Co-Regularization

本文介绍了一种新的共同正则化方法，用于改善稀疏视角下的3D高斯点光晕（3DGS）。3DGS通过创建由3D高斯函数组成的辐射场来表示场景。然而，在训练视角较少的情况下，3DGS很容易出现过拟合问题，从而影响重建质量。本文提出了一种新的共同正则化视角，通过训练两个具有相同稀疏视角的3D高斯辐射场，我们观察到这两个辐射场存在“点不一致”和“渲染不一致”，可以无监督地预测重建质量。我们通过评估高斯点表示之间的配准并计算其渲染像素之间的差异，进一步量化了点不一致和渲染不一致。实证研究表明，这两种不一致与准确的重建之间存在负相关性，这使我们能够在不访问基本事实信息的情况下识别不准确的重建。基于这项研究，我们提出了CoR-GS，该方法基于这两种不一致来识别和抑制不准确的重建。实验结果表明，CoR-GS有效地规范了场景几何形状，重建了紧凑的表示，并在稀疏训练视角下实现了最先进的新视角合成质量。本文的实验数据集包括LLFF、Mip-NeRF360、DTU和Blender。

本文旨在提高3D高斯喷洒（3DGS）的重建质量，特别是在稀疏训练视角下容易出现过度拟合的情况。

提出了一种新的共同正则化方法，通过对两个3D高斯辐射场进行训练，观察它们之间的点争议和渲染争议，来预测重建质量，并据此提出了CoR-GS算法，通过剪枝和伪视图共同正则化来提高重建质量。

该论文的亮点包括：提出了一种新的共同正则化方法来改善3DGS重建质量；通过对点争议和渲染争议的量化评估，实现了无监督的重建质量预测；通过实验验证了CoR-GS算法的有效性，并在多个数据集上取得了最先进的结果。

最近的相关研究包括：NeRF和其变体，以及其他的3D重建方法。