GaussReg: Fast 3D Registration with Gaussian Splatting

点云配准是大规模三维场景扫描和重建的基本问题。在深度学习的帮助下，配准方法已经取得了显著进展，达到了接近成熟的阶段。随着神经辐射场（NeRF）的引入，它已经成为最流行的三维场景表示，因为它具有强大的视图合成能力。关于NeRF表示，对于大规模场景重建也需要进行配准。然而，这个问题极度缺乏探索。这是由于在隐式表示中模拟两个场景之间的几何关系是一个固有的挑战。现有的方法通常将隐式表示转换为显式表示以进行进一步的配准。最近，引入了高斯喷洒（GS）方法，采用显式的三维高斯函数。这种方法显著提高了渲染速度，同时保持了高质量的渲染。在本文中，我们探索了两个具有显式GS表示的场景之间的三维配准任务。为此，我们提出了GaussReg，一个新颖的粗到细的框架，既快速又准确。粗略阶段遵循现有的点云配准方法，估计GS点云的粗略对齐。我们进一步提出了一种新的图像引导的精细配准方法，该方法从GS渲染图像，提供更详细的几何信息以进行精确定位。为了支持全面的评估，我们精心构建了一个称为ScanNet-GSReg的场景级数据集，其中包含从ScanNet数据集中获得的1379个场景，并收集了一个称为GSReg的野外数据集。实验结果表明，我们的方法在多个数据集上达到了最先进的性能。与使用SuperPoint作为特征提取器和SuperGlue作为匹配器的HLoc相比，我们的GaussReg速度快44倍，准确性相当。

点云配准是大规模3D场景扫描和重建的基本问题。本文试图探索基于NeRF表示的场景点云配准问题，这是一个相对缺乏探索的新问题。

提出了一种名为GaussReg的新颖的粗到细的框架，用于基于Gaussian Splatting（GS）表示的场景点云的快速和准确配准。该框架包括一个粗略配准阶段和一个基于图像引导的精细配准阶段。

论文提出了一个新的场景级数据集ScanNet-GSReg和一个实际数据集GSReg来支持全面的评估。实验结果表明，GaussReg在多个数据集上都达到了最先进的性能。该方法比HLoc快44倍，但精度相当。

最近的相关研究包括基于深度学习的点云配准方法和NeRF表示的3D场景重建方法，但这些方法并没有探索基于NeRF表示的场景点云的配准问题。