GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction

最近，三维高斯喷洒（3DGS）以其高质量渲染和实时速度彻底改变了神经渲染。然而，当涉及到具有大量无纹理区域的室内场景时，由于点云的初始化较差和优化不足，3DGS会产生不完整和嘈杂的重建结果。受符号距离场（SDF）的连续性启发，它在表面建模方面具有天然优势，我们提出了一个统一的优化框架，将神经SDF与3DGS集成在一起。该框架包括一个可学习的神经SDF场，以指导高斯函数的密集化和修剪，使高斯函数能够准确地建模即使是具有较差初始化点云的场景。同时，由高斯函数表示的几何形状通过引导其点采样提高了SDF场的效率。此外，我们使用法线和边缘先验规范化优化，以消除无纹理区域中的几何模糊并提高细节。在ScanNet和ScanNet ++中进行的大量实验表明，我们的方法在表面重建和新视角合成方面均实现了最先进的性能。

论文旨在解决在室内场景中，由于点云初始化不良和欠约束的优化，导致3D高斯喷洒（3DGS）在纹理较少的区域产生不完整和嘈杂的重建结果的问题。

论文提出了一种统一的优化框架，将神经SDF与3DGS相结合，通过可学习的神经SDF场来指导高斯点云的密集化和修剪，使高斯能够准确地建模场景，即使是在初始化不良的点云下。同时，由高斯表示的几何图形通过引导其点采样来提高SDF场的效率。此外，论文还使用法线和边缘先验来规范化优化，以消除纹理较少区域的几何模糊和提高细节。

论文在ScanNet和ScanNet++数据集上进行了广泛的实验，展示了该方法在表面重建和新视角合成方面的最新性能。同时，论文还提供了开源代码。

最近在这个领域中，还有一些相关研究，例如：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》等。