FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization

3D高斯点插值在实时新视角合成方面取得了非常出色的性能。然而，在高斯密度化过程中，由于高方差图像区域仅被少量大的高斯函数覆盖，因此往往会出现过度重建的问题，导致渲染图像出现模糊和伪影。我们设计了一种渐进频率正则化（FreGS）技术来解决频率空间内的过度重建问题。具体而言，FreGS通过在傅里叶空间中利用低通和高通滤波器提取易于提取的低到高频率分量，实现了粗到细的高斯密度化。通过最小化渲染图像频谱与相应地面实况之间的差异，它实现了高质量的高斯密度化，并有效缓解了高斯点插值的过度重建问题。在多个广泛采用的基准测试（例如Mip-NeRF360、坦克与寺庙和深度混合）中进行的实验表明，FreGS实现了优越的新视角合成，并始终优于现有技术。

解决高方差图像区域在3D高斯点插值中过度重建导致的图像模糊和伪影问题。

设计了一种渐进频率正则化（FreGS）技术，通过利用傅里叶空间中的低到高频率成分进行粗到细的高斯点插值。通过最小化渲染图像的频谱与相应的真实图像之间的差异，实现了高质量的高斯点插值，有效地减轻了高斯点插值中的过度重建问题。

论文在多个广泛采用的基准数据集（例如Mip-NeRF360，Tanks-and-Temples和Deep Blending）上进行了实验，证明了FreGS在新视角合成方面具有卓越的性能，并始终优于现有技术。同时，论文还提供了开源代码。

最近在这个领域中的相关研究包括：《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》和《Learning to Reconstruct High-Detail 3D Lipschitz Surfaces from Incomplete Point Clouds》。