高斯熵场：驱动3D高斯优化中的自适应稀疏性

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Gaussian entropy fields: Driving adaptive sparsity in 3D Gaussian optimization

　　

洪光|刘建尘

摘要

3D高斯分割（3DGS）已成为一种领先的新视图合成技术，展现出卓越的渲染效率。重建的表面具有较低的配置熵特性，其中主要的几何元素清晰地定义了表面轮廓，而冗余部分则被有效抑制。本文提出了三项互补的技术贡献：（1）通过最小化熵值来实现熵驱动的表面建模，从而降低原始几何分布的配置熵；（2）利用表面邻域冗余指数（SNRI）和图像熵引导的加权方法进行自适应空间正则化；（3）通过跨尺度熵对齐实现多尺度几何信息的保留。大量实验表明，该技术在与DTU和T&T基准测试中的几何精度方面表现出竞争力，同时在Mip-NeRF 360平台上相较于现有方法提供了更优质的渲染效果。特别是在DTU测试中，获得了更低的 Chamfer 距离（0.64）和更高的F1分数（0.44），并且在Mip-NeRF 360的基准测试中取得了最佳的SSIM（0.855）和LPIPS（0.136）成绩，验证了该框架在提高表面重建精度的同时不会牺牲光度保真度的能力。