GScream: Learning 3D Geometry and Feature Consistent Gaussian Splatting for Object Removal

本文解决了物体去除更新辐射场的复杂挑战，采用了三维高斯喷洒技术。这项任务的主要挑战在于在高斯原始物的离散性存在的情况下，保持几何一致性和纹理连贯性。我们引入了一个专门设计来克服这些障碍的强大框架。我们方法的关键洞察是增强可见和不可见区域之间的信息交换，促进几何和纹理方面的内容恢复。我们的方法从优化高斯原始物的位置开始，改善了去除和可见区域的几何一致性，通过单目深度估计的在线注册过程进行指导。接下来，我们采用了一种新颖的特征传播机制来增强纹理连贯性，利用跨注意力设计，桥接了来自不确定和确定区域的高斯采样。这种创新方法显著提高了最终辐射场中的纹理连贯性。广泛的实验验证了我们的方法不仅提高了经历物体去除的场景的新视图合成的质量，而且在训练和渲染速度方面也表现出了明显的效率提升。

本文旨在解决通过3D高斯平铺更新辐射场时的物体移除的复杂问题，其中主要挑战在于在高斯基元的离散性存在的情况下保持几何一致性和纹理连贯性。

本文提出了一个特定设计的鲁棒框架来克服这些障碍，关键思路是增强可见和不可见区域之间的信息交换，促进几何和纹理方面的内容恢复。

本文通过优化高斯基元的定位来提高移除和可见区域的几何一致性，利用跨注意力设计来加强纹理连贯性，从而显著提高了最终辐射场的纹理连贯性。实验结果表明，本方法不仅提高了场景的新视角合成质量，还在训练和渲染速度方面展示了显著的效率提升。

在这个领域中，最近的相关研究包括《Deep Image Prior》、《NeRF》和《Radiance Fields》等。