摘要
近期在体绘制领域的研究工作，例如NeRF（神经辐射场）和三维高斯溅射（3D Gaussian Splatting, 3DGS），借助学习得到的隐式神经辐射场或三维高斯分布，显著提升了渲染质量与效率。基于显式表示的原始3DGS及其各类变体，通过在训练过程中每轮迭代仅使用单视角监督来优化参数化模型（该策略源自NeRF），实现了实时渲染效率。然而，这种单视角优化方式导致部分视角出现过拟合现象，从而在新视角合成中产生不理想的外观表现，并造成三维几何结构的不精确。为解决上述问题，本文提出一种新型的3DGS优化方法，包含四项关键创新：1）我们将传统的单视角训练范式革新为多视角训练策略。通过所提出的多视角调控机制，三维高斯属性在训练过程中得以进一步优化，同时有效避免了对特定训练视角的过拟合。作为一项通用解决方案，该方法在多种场景及不同高斯变体中均显著提升了整体重建精度。2）受额外视角引入优势的启发，我们进一步提出一种跨内在引导机制，实现从粗到细的分层训练流程，适配不同分辨率下的优化需求。3）在多视角调控训练的基础上，我们进一步设计了一种跨射线密集化策略，针对来自多个视角选择性地在射线相交区域增加更多的高斯核，从而更精确地刻画复杂结构。4）通过对密集化策略的深入分析，我们发现当某些视角之间存在显著差异时，密集化效果应进一步增强。为此，我们提出一种新颖的多视角增强密集化策略，引导三维高斯在必要区域充分密集化，确保其数量达到合理水平，从而显著提升重建精度。