Relaxing Accurate Initialization Constraint for 3D Gaussian Splatting

最近，3D高斯喷洒（3DGS）在实时新视角合成和3D重建方面展示了令人印象深刻的能力。然而，3DGS严重依赖于从运动结构（SfM）方法中得出的准确初始化。当使用随机初始化的点云进行训练时，3DGS无法保持其产生高质量图像的能力，PSNR会大幅下降4-5 dB。通过对频域中SfM初始化的广泛分析以及对带有多个1D高斯函数的1D回归任务的分析，我们提出了一种名为RAIN-GS（3D高斯喷洒松弛准确初始化约束）的新优化策略，成功地从随机点云中训练3D高斯函数。我们通过在多个数据集上进行定量和定性比较来展示我们策略的有效性，在所有设置中都大大提高了性能。我们的项目页面和代码可以在https://ku-cvlab.github.io/RAIN-GS上找到。

本文旨在解决3D高斯喷洒（3DGS）对于准确初始化的依赖问题，以便从随机初始化的点云中训练高质量的图像。

本文提出了一种名为RAIN-GS（Relaxing Accurate Initialization Constraint for 3D Gaussian Splatting）的优化策略，通过在频域中对SfM初始化进行广泛分析和多个1D高斯回归任务的分析，成功地从随机点云中训练3D高斯。

本文通过在多个数据集上进行定量和定性比较，展示了RAIN-GS策略的有效性，大大提高了所有设置的性能。本文提供了项目页面和代码。

最近在这个领域中，还有一些相关的研究，如《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》和《Occupancy Networks: Learning 3D Reconstruction in Function Space》。