Does Gaussian Splatting need SFM Initialization?

最近，由于其高质量的结果和与硬件光栅化的兼容性，3D高斯喷洒已被广泛应用于场景重建和新视角合成。尽管具有这些优点，但高斯喷洒对于由运动结构（SFM）算法产生的高质量点云初始化的依赖是一个显著的限制。为此，我们研究了各种高斯喷洒的初始化策略，并深入探讨了如何利用神经辐射场（NeRF）的体积重建来绕过对SFM数据的依赖性。我们的研究结果表明，如果经过精心设计，随机初始化可以表现得更好，并且通过采用改进的初始化策略和从低成本的NeRF模型中提取结构，可以实现与SFM初始化相当甚至更好的结果。

本文旨在探讨如何解决高斯喷洒的点云初始化问题，以便更好地进行场景重建和新视角合成。同时，本文还试图通过神经辐射场（NeRF）的体积重建来避免对SFM数据的依赖。

本文提出了改进的初始化策略和结构蒸馏方法，以解决高斯喷洒的点云初始化问题。研究表明，仔细设计的随机初始化可以表现得更好，而通过低成本的NeRF模型进行结构蒸馏，可以实现与SFM初始化相当甚至更好的结果。

本文的实验设计了多种初始化策略，并使用了多个数据集进行测试。此外，本文还介绍了如何使用NeRF模型来进行结构蒸馏。本文的研究表明，改进的初始化策略和结构蒸馏方法可以在高斯喷洒中取得更好的结果。

最近在这个领域中，还有一些相关研究，如：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Learning to Reconstruct 3D Manhattan Wireframes from a Single Image》等。