Depth-Regularized Optimization for 3D Gaussian Splatting in Few-Shot Images

本文介绍了一种优化高斯点插值的方法，使用有限数量的图像避免过拟合。将3D场景表示为许多高斯点的组合已经取得了出色的视觉效果。然而，当只有少量图像可用时，它往往会过度拟合训练视图。为了解决这个问题，我们引入了密集的深度图作为几何指南来减轻过拟合。我们使用预训练的单目深度估计模型获取深度图，并使用稀疏的COLMAP特征点来对齐比例和偏移量。调整后的深度有助于基于颜色的3D高斯点插值优化，减轻浮动伪影，并确保遵守几何约束。我们在NeRF-LLFF数据集上验证了所提出的方法，并使用不同数量的少量图像进行了测试。与仅依赖图像的原始方法相比，我们的方法展示了更加稳健的几何形状。项目页面：robot0321.github.io/DepthRegGS。

解决问题：论文旨在优化高斯平滑，并避免过度拟合，特别是在图像数量有限的情况下。

关键思路：通过使用密集深度图作为几何指南来缓解过度拟合，以确保颜色优化的三维高斯平滑符合几何约束。

其他亮点：论文使用预训练的单目深度估计模型和稀疏COLMAP特征点来获得深度图。作者在NeRF-LLFF数据集上验证了该方法，并展示了其鲁棒的几何性能。项目页面提供了开源代码。

相关研究：最近相关的研究包括“NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis”和“LLFF: A Light Field Toolbox for Rendering, Sampling and Camera Calibration”。