DNGaussian++: Improving Sparse-View Gaussian Radiance Fields With Depth Normalization

doi:10.1109/TPAMI.2026.3664307

DNGaussian++: Improving Sparse-View Gaussian Radiance Fields With Depth Normalization

2026-02-12

0

PRE

AI

DOI：10.1109/TPAMI.2026.3664307

原文链接

原文求助

摘要

En 中文

从稀疏视图合成新颖视图在辐射场方面取得了显著进展，但现有方法存在高消耗或细化能力不足的问题。本文介绍了DNGaussian，一种基于3D高斯明暗图的深度正则化框架，能够以低成本实现实时、高质量的小样本新颖视图合成。我们的动机源于近期3D高斯明暗图的显著进步，尽管其在输入视图减少时会遭遇几何退化。在Gaussian辐射场中，我们发现这种几何退化主要与高斯原语的定位有关，可通过深度约束缓解。因此，我们提出了硬约束与软约束深度正则化，在粗略单目深度监督下恢复准确的场景几何，同时保持精细的颜色外观。为进一步细化几何细节，我们引入全局-局部深度归一化，增强对局部深度变化的关注。尽管DNGaussian表现出色，但其分块正则化掩盖了跨分块误差的不一致性，且原语在稀疏视图中仍可能陷入不可逆的局部极小值。为此，本文提出扩展版本DNGaussian++。首先，开发了几何实例正则化器，通过利用可靠的实例级深度线索实现连续一致的深度正则化。借助深度梯度引导，我们进一步提出深度引导几何重组，以高表示效率解决上述局部极小值问题。大量实验表明，DNGaussian++在多个数据集和场景中展现出高效率的先进性能，并在不同骨干网络和任务中验证了其广泛适用性和有效性。

Keyword:

Few-shot novel view synthesis

3D reconstruction

radiance fields

depth regularization

DNGaussian++: Improving Sparse-View Gaussian Radiance Fields With Depth Normalization

摘要

期刊

机构

引用论文