Localized Gaussian Point Management

点管理是优化3D高斯喷洒（3DGS）模型的关键组成部分，因为点的初始化（例如通过运动结构）在分布上是不适当的。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度化，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，我们发现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度化的3D区域，并且缺乏适当的机制来处理具有负面影响的不良条件点（由于虚假高不透明度而造成的遮挡）。为了解决这些限制，我们提出了一种本地化点管理（LPM）策略，能够识别那些最需要点添加和几何校准的错误贡献区域。通过利用基础多视图几何约束，并在图像渲染误差的指导下实现区域识别。我们在识别的区域进行点密度化，同时重置那些位于这些区域前面的点的不透明度，以便创造一个纠正不良条件点的新机会。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场景中的实验评估验证了我们的LPM策略在定量和定性上提高了各种现有3DGS模型的效果。值得注意的是，LPM在保持实时速度的同时，改善了普通的3DGS和SpaceTimeGS，实现了最先进的渲染质量，在具有挑战性的数据集（如Tanks＆Temples和神经3D视频数据集）上表现优异。

本论文旨在解决3D高斯喷洒模型中的点管理问题，提出了一种本地化点管理策略，以提高渲染质量和速度。

本地化点管理策略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集化的区域，并在这些区域中进行点密集化，同时重置这些区域前面的点的不透明度，以纠正不良点的影响。

该论文的实验结果表明，本地化点管理策略可以提高现有3D高斯喷洒模型的渲染质量和速度，实验数据集包括静态3D和动态4D场景，且表现出色；该策略可无缝集成到现有的3D高斯喷洒模型中，具有很强的通用性。

最近的相关研究包括：《3D场景重建中的结构光法》、《基于深度学习的3D场景重建》等。