SuGaR: Surface-Aligned Gaussian Splatting for Efficient 3D Mesh Reconstruction and High-Quality Mesh Rendering

我们提出了一种方法，可以从三维高斯喷洒中精确且极快地提取网格。高斯喷洒最近因其能够产生逼真的渲染效果，同时训练速度显著快于NeRF而变得非常流行。然而，从数百万个小的三维高斯函数中提取网格是具有挑战性的，因为这些高斯函数在优化后往往是无组织的，目前还没有提出任何方法。我们的第一个关键贡献是引入一种正则化项，以鼓励高斯函数与场景表面对齐。然后，我们引入了一种方法，利用这种对齐方式，使用泊松重建从高斯函数中提取网格，这种方法快速、可扩展且保留细节，与通常用于从神经SDF中提取网格的Marching Cubes算法形成对比。最后，我们引入了一种可选的细化策略，将高斯函数绑定到网格表面，并通过高斯喷洒渲染同时优化这些高斯函数和网格。这使得使用传统软件通过操纵网格而不是高斯函数本身轻松地进行编辑、雕刻、绑定、动画、合成和重新照明高斯函数成为可能。使用我们的方法在几分钟内检索到这样一个可编辑的网格，而使用神经SDF的最先进方法需要几个小时，同时提供更好的渲染质量。

论文试图从3D高斯喷洒中提取精确且极快的网格，这是一个新问题吗？

论文的关键思路是使用正则化项来鼓励高斯函数与场景表面对齐，并利用这种对齐来使用泊松重建法从高斯函数中提取网格，最后通过高斯喷洒渲染优化高斯函数和网格，实现易于编辑的高质量渲染。

论文的亮点包括提出了一个新的解决方案，比当前领域的研究更快速、更易于编辑，且保留了细节；使用了多个数据集进行实验，并与其他方法进行了比较；论文提供了开源代码。

最近的相关研究包括NeRF、Marching Cubes算法等。