合肥響應(yīng)式網(wǎng)站建設(shè),哪些做圖形推理的網(wǎng)站,廊坊百度快速排名,seo優(yōu)化要做什么1.論文總體總結(jié) 1.1. Abstract ① 作者指出#xff0c;現(xiàn)有 3DGS 加速方法的核心問題在于#xff1a; 訓(xùn)練過程中無法有效控制高斯數(shù)量#xff0c;導(dǎo)致大量冗余計(jì)算開銷。 ② 作者提出 FastGS#xff0c;通過 基于多視角一致性的高斯增殖與剪枝策略#xff0c;在不犧牲…1.論文總體總結(jié)1.1. Abstract① 作者指出現(xiàn)有 3DGS 加速方法的核心問題在于訓(xùn)練過程中無法有效控制高斯數(shù)量導(dǎo)致大量冗余計(jì)算開銷。② 作者提出FastGS通過基于多視角一致性的高斯增殖與剪枝策略在不犧牲渲染質(zhì)量的前提下大幅縮短訓(xùn)練時(shí)間。③ FastGS 的關(guān)鍵貢獻(xiàn)是不依賴 budget 機(jī)制訓(xùn)練靜態(tài)場景可壓縮到100 秒以內(nèi)在多個(gè)任務(wù)動(dòng)態(tài)重建、表面重建、SLAM中具有良好泛化性1.2. Introduction① 作者回顧了 NeRF 與 3DGS 的發(fā)展指出 3DGS 已經(jīng)在渲染速度上占優(yōu)但訓(xùn)練仍然需要數(shù)十分鐘。② 通過分析 vanilla 3DGS作者認(rèn)為瓶頸主要來自Adaptive Density ControlADCdensification根據(jù)梯度復(fù)制 / 分裂高斯pruning根據(jù) opacity / scale 刪除高斯③ 作者認(rèn)為現(xiàn)有方法的問題在于densify 過度 → 高斯數(shù)量失控prune 不精準(zhǔn) → 要么刪不干凈要么質(zhì)量下降④ 核心觀察一個(gè)有價(jià)值的高斯應(yīng)該在多個(gè)視角下都能改善重建質(zhì)量這與傳統(tǒng)多視角幾何中的Bundle Adjustment思想一致。1.3. Method (FastGS)1.3.1. Overview① FastGS 不改變 3DGS 的整體訓(xùn)練流程僅重新設(shè)計(jì) ADCdensify prune。② 核心思想是用多視角重建誤差衡量每一個(gè)高斯對(duì)整體重建質(zhì)量的真實(shí)貢獻(xiàn)。③ FastGS 包含三大模塊VCDMulti-view Consistent DensificationVCPMulti-view Consistent PruningCompact Box減少 rasterization 中的冗余 tile-Gaussian 對(duì)1.3.2. Multi-view Consistent Densification (VCD)① 傳統(tǒng) 3DGS 的 densify 只看單視角梯度容易生成只對(duì)單一視角有用的高斯。② FastGS 的做法是從訓(xùn)練集中隨機(jī)采樣 KKK 個(gè)視角默認(rèn) 10對(duì)每個(gè)視角計(jì)算逐像素 L1 誤差歸一化后得到高誤差區(qū)域 mask③ 對(duì)每一個(gè)高斯 GiG_iGi?統(tǒng)計(jì)在多少視角中它的 2D footprint 覆蓋了高誤差像素④ 定義 densification scoresi1K∑j1K∑p∈ΩiI(Mjmask(p)1)s_i^ frac{1}{K} sum_{j1}^{K} sum_{p in Omega_i} mathbb{I}(M_j^{mask}(p)1)si?K1?j1∑K?p∈Ωi?∑?I(Mjmask?(p)1)⑤ 當(dāng) sis_i^si? 大于閾值時(shí)才允許該高斯被 clone / split。 這保證了只有在多個(gè)視角下 consistently 處于高誤差區(qū)域的高斯才會(huì)被增殖。1.3.3. Multi-view Consistent Pruning (VCP)① vanilla 3DGS 的 prune 主要依據(jù) opacity / size無法識(shí)別“多視角冗余高斯”。② FastGS 在 VCD 的基礎(chǔ)上引入加權(quán)光度誤差Ejphoto(1?λ)L1λ(1?SSIM)E^{photo}_j (1-lambda)L_1 lambda(1- ext{SSIM})Ejphoto?(1?λ)L1?λ(1?SSIM)③ 定義 pruning scoresi?N(∑j1K(∑p∈ΩiI(Mjmask(p)1))?Ejphoto)s_i^- mathcal{N}left( sum_{j1}^{K} left( sum_{p in Omega_i} mathbb{I}(M_j^{mask}(p)1) ight) cdot E^{photo}_j ight)si??N?j1∑K??p∈Ωi?∑?I(Mjmask?(p)1)??Ejphoto??④ 含義如果一個(gè)高斯在很多視角中覆蓋了大量高誤差像素且整體光度誤差仍然很高→ 說明它并沒有有效改善重建質(zhì)量應(yīng)當(dāng)被刪除1.3.4. Compact Box① vanilla 3DGS 使用 3-sigma rule 生成 2D 橢圓容易產(chǎn)生大量無效 tile-Gaussian 對(duì)。② FastGS 引入Compact Box基于 Mahalanobis distance剪掉對(duì) tile 幾乎沒有貢獻(xiàn)的 Gaussian–tile pair③ 該模塊僅影響 rasterization 階段不影響重建質(zhì)量。1.3.5. Optimization① 優(yōu)化目標(biāo)與 vanilla 3DGS 相同L(1?λ)L1λ(1?SSIM)mathcal{L} (1-lambda)L_1 lambda(1- ext{SSIM})L(1?λ)L1?λ(1?SSIM)② FastGS 采用分階段優(yōu)化策略減少不必要的參數(shù)更新頻率。1.4. Experiments1.4.1. Dataset① 靜態(tài)場景數(shù)據(jù)集Mip-NeRF 360Tanks TemplesDeep Blending② 擴(kuò)展任務(wù)動(dòng)態(tài)場景重建表面重建稀疏視角大規(guī)模場景SLAM1.4.2. Implementation Details① 訓(xùn)練統(tǒng)一 30k iterations② 采樣視角數(shù) K10K10K10③ densify 默認(rèn)到 15k iteration④ GPURTX 40901.4.3. Baselines① 對(duì)比方法包括3DGSTaming-3DGSDashGaussianSpeedy-SplatMini-Splatting1.4.4. Main Results① 在多個(gè)數(shù)據(jù)集上FastGS 達(dá)到100 秒級(jí)訓(xùn)練時(shí)間高斯數(shù)量顯著減少最多減少 7×PSNR / SSIM 基本持平甚至更優(yōu)② FastGS-Big 版本在質(zhì)量和速度上同時(shí)超過 DashGaussian。1.4.5. Ablation Study① 僅加 VCD高斯數(shù) ↓ 80%訓(xùn)練時(shí)間 ↓ 3×② 僅加 VCP冗余高斯顯著減少質(zhì)量幾乎不變③ Compact Box訓(xùn)練再提速約 8%1.4.6. Discussion① FastGS 當(dāng)前的瓶頸不在 ADC而在訓(xùn)練迭代步數(shù)固定為 30k。② 作者認(rèn)為未來可以設(shè)計(jì)更快收斂的優(yōu)化器使用 feed-forward 初始化模型1.5. Related Work① 高斯 densification 控制② 高斯剪枝與壓縮③ 光柵化優(yōu)化④ 二階 / 近二階優(yōu)化方法1.6. ConclusionsFastGS 提出了一種簡單、通用、有效的 3DGS 加速框架核心在于用多視角一致性嚴(yán)格約束每一個(gè)高斯的“存在合理性”。該方法在多個(gè)任務(wù)中均表現(xiàn)出強(qiáng)泛化能力為后續(xù) 3DGS 系列工作提供了一個(gè)非常穩(wěn)健的加速范式。2.心得Fast GS通過多視圖一致的密度化VCD和多視圖一致的剪枝VCP實(shí)現(xiàn)了達(dá)到和SOTA方法相似的指標(biāo)的同時(shí)顯著減少高斯數(shù)量從而快速實(shí)現(xiàn)某一個(gè)場景的重建。并且測(cè)試了在動(dòng)態(tài)場景重建表面重建稀疏圖重建大規(guī)模重建和SLAM等方法的通用性。實(shí)現(xiàn)了平均2-7倍的渲染速度。