每个高斯图元自己决定改多少:GaussLearner在14个场景上平均PSNR高出最强基线3.41 dB
核心概要
持续重建三维场景时,直接在新观测上微调已有的高斯场会遗忘此前重建的内容。GaussLearner把每个三维高斯图元本身当作持续学习单元:它把当前观测的像素不一致归因到具体高斯,再用一个学习权重在“当前观测”与“跨状态可靠度”之间取舍,同时控制参数更新幅度和优化器记忆的刷新强度。在CL-Splats、WAT与自建的CL-3D共14个场景上,其平均PSNR比最强基线O-SCD高3.41 dB;在CL-3D上,变化视图与未变化视图的重建质量都最好。
深度剖析
持续重建三维高斯场景时,每个高斯图元可以自己决定在当前状态下改多少,而不必由一套作用于整个高斯场的更新策略统一指挥。 此前的做法要么先在二维图像里检测变化区域、再把优化限制在选中的高斯上,要么依赖回放或参数正则化来保留旧内容。 在CL-Splats、WAT与CL-3D三个数据集的14个场景上,GaussLearner的平均PSNR比最强基线O-SCD高3.41 dB。
每个高斯先接收归因到自己的观测压力,再按自身历史可靠度决定接受多少参数改动、刷新多少优化器记忆。 学习权重由当前观测覆盖度与跨状态可靠度共同构成,形式与按精度写出的标量卡尔曼增益相同。 在CL-3D的六个真实场景上,测试视图被分成变化与未变化两组,GaussLearner在两组上都取得最佳重建质量。
像素级不一致按渲染器自身的alpha合成权重分摊到各高斯,而不是先压成二值变化掩码。 选择性局部优化路线把连续观测化为硬性变化判定,二维变化检测的误差会直接传入高斯场。 消融中把方向感知池化换成逐视图求和后,变化视图与未变化视图的PSNR都下降。
启示与展望
验证覆盖CL-Splats与WAT各四个场景以及自建的六个CL-3D真实场景,共14个场景,指标为新视角合成的PSNR与SSIM;CL-3D的测试视图被显式分为变化与未变化两组,所有实验在单块RTX 4090上完成。
方法对镜面反射、折射等困难光照条件仍然敏感;它只维护最新场景状态的表示,不支持对历史状态的任意回放。
