Gaussian Splatting with Localized Points Management

点管理是优化三维高斯喷洒（3DGS）模型的关键组成部分，因为点初始化（例如通过运动结构）是分布不适当的。通常，应用自适应密度控制（ADC）算法，利用视图平均梯度幅值阈值进行点密集化，利用不透明度阈值进行修剪，并进行常规的所有点不透明度重置。然而，我们揭示了这种策略在处理复杂/特殊的图像区域（例如透明区域）方面存在局限性，因为它无法识别所有需要点密集化的三维区域，并且缺乏适当的机制来处理具有负面影响的不良点（由于假高不透明度导致的遮挡）。为了解决这些限制，我们提出了一种本地化点管理（LPM）策略，能够识别那些对点添加和几何校准需求最高的错误贡献区域。通过利用底层的多视角几何约束和图像渲染误差的指导来实现区域识别。我们在识别的区域应用点密集化，同时重置那些位于这些区域前面的点的不透明度，以便创造一个新的机会来纠正不良点。作为一个多功能插件，LPM可以无缝地集成到现有的3D高斯喷洒模型中。在静态3D和动态4D场景上的实验评估验证了我们的LPM策略在定量和定性上提升了各种现有的3DGS模型的有效性。值得注意的是，LPM提高了香草3DGS和SpaceTimeGS，以实现最先进的渲染质量，同时保持实时速度，在具有挑战性的数据集（如Tanks＆Temples和神经3D视频数据集）上表现出色。

本文旨在优化3D高斯雨滴模型中的点管理，以提高渲染质量和速度。作者指出当前的点密度控制算法在处理特殊的图像区域（如透明区域）时存在局限性。

本文提出了一种局部点管理策略（LPM），通过利用多视角几何约束和图像渲染误差来识别需要点密度增加的区域，并对这些区域进行点密度增加和不透明度重置的操作，以解决当前算法的局限性。

本文的实验结果表明，LPM策略可以显著提高现有3D高斯雨滴模型的渲染质量和速度，并在Tanks＆Temples和Neural 3D Video Dataset等具有挑战性的数据集上表现出色。此外，LPM还可以无缝集成到现有的3D高斯雨滴模型中。

与本文相关的研究包括3D高斯雨滴模型的其他优化算法，如自适应密度控制算法（ADC）等。