DN-Splatter: Depth and Normal Priors for Gaussian Splatting and Meshing

3D高斯喷洒技术是一种新颖的可微渲染技术，具有高渲染速度和相对较短的训练时间，已经在新视角合成方面取得了最先进的成果。然而，由于在优化过程中缺乏几何约束，它在室内数据集中常见的场景中的表现较差。我们通过深度和法线提示扩展了3D高斯喷洒技术，以解决具有挑战性的室内数据集，并展示了有效的网格提取技术。具体来说，我们使用深度信息规则化优化过程，强制执行附近高斯的局部平滑性，并使用由法线提示监督的3D高斯几何形状来实现更好的与真实场景几何形状的对齐。我们改进了深度估计和新视角合成结果，并展示了如何使用这种简单而有效的规则化技术直接从高斯表示中提取网格，从而在室内场景中产生更加物理精确的重建。我们的代码将在https://github.com/maturk/dn-splatter上发布。

如何解决3D Gaussian splatting在室内数据集上表现较差的问题？

通过深度和法向量信息对3D Gaussian splatting进行扩展，优化过程中加入深度信息进行正则化，保持附近高斯函数的局部平滑性，利用法向量信息监督高斯函数的几何形状，从而提高深度估计和新视角合成的结果，并且可以直接从高斯表示中提取网格，得到更加精确的室内场景重建。

论文通过对3D Gaussian splatting的扩展，提高了在室内数据集上的表现。实验结果显示，该方法可以提高深度估计和新视角合成的结果，并且可以直接从高斯表示中提取网格，得到更加精确的室内场景重建。论文提供开源代码。

最近的相关研究包括NeRF、PIFu等。