CityGaussian: Real-time High-quality Large-Scale Scene Rendering with Gaussians

本文介绍了CityGaussian（CityGS）的方法，该方法采用了一种新颖的分治训练方法和多级细节（LoD）策略，以实现高效的大规模3DGS训练和渲染。具体来说，全局场景先验和自适应训练数据选择使训练和融合更加高效。基于融合的高斯基元，我们通过压缩生成不同的细节级别，并通过所提出的块状细节级别选择和聚合策略，在不同的尺度上实现快速渲染。大规模场景的广泛实验结果表明，我们的方法达到了最先进的渲染质量，可以在不同尺度上实现一致的实时渲染。我们的项目页面可在https://dekuliutesla.github.io/citygs/上找到。

本文旨在解决实时3D场景重建和新视角合成的问题，同时训练大规模3D高斯喷洒并在不同尺度上实现实时渲染仍然具有挑战性。

本文提出了CityGaussian（CityGS）的方法，采用分治训练方法和多级细节策略，实现了高效的大规模3D高斯喷洒训练和渲染。

本文通过全局场景先验和自适应训练数据选择实现了高效的训练和无缝融合。通过压缩生成不同的细节级别，并通过所提出的块级细节级别选择和聚合策略在不同尺度上实现快速渲染。实验结果表明，该方法在大规模场景中实现了最先进的渲染质量，能够在不同尺度上实现一致的实时渲染。

最近的相关研究包括：《Efficient Large-Scale Point Cloud Classification Using Overlapping Sphere Projection》、《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》等。