QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization

表面重建是计算机视觉和图形学的基础，能够支持3D建模、混合现实、机器人技术等应用。现有的基于体绘制的方法虽然取得了有希望的结果，但通常以场景为单位进行优化，导致优化速度较慢，并且在处理观测不足或无纹理区域时存在困难。我们提出了QuickSplat，该方法通过学习数据驱动的先验知识，为大规模室内场景的2D高斯点优化生成密集的初始值。这一方法为重建提供了一个良好的起点，加速了优化的收敛，并改进了平坦墙面结构的几何精度。此外，我们还学习在每次迭代中联合估计场景参数的密集化和更新；所提出的密集化网络根据现有高斯点的渲染梯度预测新的高斯点，从而消除了对启发式密集化方法的需求。在大规模室内场景重建上的广泛实验表明，我们的数据驱动优化方法具有显著优势。具体来说，与当前最先进的方法相比，我们的方法将运行时间加速了8倍，同时将深度误差降低了高达48%。

该论文试图解决大规模室内场景重建中优化速度慢以及对未充分观察或无纹理区域建模困难的问题。这是一个在3D重建领域中长期存在的挑战，尤其是在基于体积渲染的方法中。

QuickSplat通过引入数据驱动的先验知识来生成2D高斯点绘（Gaussian Splatting）的密集初始化，从而加速优化过程并改善几何结构（如平直墙面）。此外，它还提出了一种联合学习方法，利用渲染梯度预测新的高斯分布，自动完成场景参数的增密与更新，避免了启发式规则的使用。

1. 实验表明，QuickSplat将运行时间加速8倍，同时深度误差降低了48%，显著优于现有方法。 2. 提出了一个名为'Densifier Network'的网络模块，用于智能预测新高斯分布的位置，提升了优化效率。 3. 论文专注于大型室内场景重建，验证了方法在复杂环境中的适用性。 4. 数据集包括多个大规模室内场景，代码已开源，便于后续研究者复现和改进。 5. 值得进一步研究的方向包括如何扩展到室外场景、动态场景重建及实时性能提升。

最近的相关研究包括： 1. 'NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis' - 使用神经辐射场进行视图合成。 2. 'Instant Neural Graphics Primitives with a Multiresolution Hash Encoding' - 提出多分辨率哈希编码加速NeRF训练。 3. 'Gaussian Splatting for Real-Time Rendering of Dynamic Scenes' - 利用高斯点绘实现实时动态场景渲染。 4. 'MVSNet: Depth Inference for Unstructured Multi-View Stereo' - 多视角立体视觉的深度推断方法。 这些工作主要集中在高效3D重建和渲染上，但QuickSplat通过数据驱动优化提供了一个全新的视角。