图注：视频来源：https://www.xiaohongshu.com/explore/66137816000000001b00cbd1?app_platform=ios&app_version=8.54.1&share_from_user_hidden=true&xsec_source=app_share&type=video&xsec_token=CBmY-_c550w0nnogaRfTSTqAEp898aw1_pNjLOF7JeLxw=&author_share=1&xhsshare=WeixinSession&shareRedId=ODdHMDVJNT82NzUyOTgwNjczOTc6RjlA&apptime=1727236710&share_id=981c6b33086d4a40b697ba4659d8fbc7&wechatWid=d23f41df238fec9f0e59f3a96872f4c1&wechatOrigin=menu

图注：GaussianObject fast forward. 来源：Chen Yang, Sikuang Li, Jiemin Fang, Ruofan Liang, Lingxi Xie, Xiaopeng Zhang, Wei Shen, Qi Tian, GaussianObject: High-Quality 3D Object Reconstruction from Four Views with Gaussian Splatting, https://gaussianobject.github.io/

为了解决上述挑战，上交、华为、多伦多大学联合提出GaussianObject，这是一个新颖的框架，旨在从少至4个输入图像中重建高质量的3D物体。文章选择3D高斯喷溅(3DGS)作为基本表示，因为它快速，更重要的是，足够明确。得益于其点状结构，文章设计了几种技术来引入物体结构先验，例如物体的基本/粗略几何形状，以帮助建立多视图一致性，包括视觉外壳在物体轮廓内定位高斯分布和去除离群值的浮子消除。为了消除由遗漏或高度压缩的对象信息引起的伪影，文章提出了一种由二维大扩散模型驱动的高斯修复模型，将损坏的渲染图像转换为高保真图像。由于正常的扩散模型缺乏修复损坏图像的能力，文章设计了自生成策略来构建图像对以调整扩散模型，包括从遗漏训练模型中渲染图像以及在高斯属性中添加3D噪声。修复模型生成的图像可用于细化经结构先验优化的三维高斯分布，从而进一步提高渲染质量。为了进一步将GaussianObject扩展到实际应用中，文章引入了一种无colmap的GaussianObject变体(CF-GaussianObject)，它在只有四张输入图像的挑战性数据集上实现了具有竞争力的重建性能，而无需输入准确的相机参数。

总之，这篇文章的贡献可以总结如下：

• 结构先验优化3D高斯（3D Gaussians）：文章提出了一种从高度稀疏视图中优化3D高斯的方法，该方法利用显式结构先验来增强多视图一致性。这包括使用视觉外壳（visual hull）技术进行初始化，以及在训练过程中采用浮动体消除（floater elimination）技术，从而为重建的3D对象提供一个粗略的几何框架。

• 基于扩散模型的高斯修复模型：为了解决由于信息缺失或高度压缩而导致的3D重建中的伪影问题，文章提出了一种基于扩散模型的高斯修复模型。这个模型能够将损坏的渲染图像转换成高保真的图像，从而进一步提高渲染质量。

• 框架性能超越当前最先进技术：整体框架GaussianObject在多个具有挑战性的真实世界数据集上，无论是定性还是定量地，都一致性地超越了当前的最先进技术（SOTA）。此外，文章还提出了一种无需COLMAP的变体（CF-GaussianObject），它在只需要四个输入图像的情况下就能实现竞争性的重建性能，并且不需要输入精确的相机参数，这降低了对相机姿态的严格要求，扩大了应用范围。

https://arxiv.org/abs/2402.10259
https://gaussianobject.github.io/

基本技术回顾

3D Gaussian Splatting

3D Gaussian Splatting是一种用于3D场景表示的技术，它通过一组3D高斯函数来描述场景中的点。每一个3D高斯函数包含中心位置、旋转四元数、缩放向量、不透明度和球谐系数。这样，一个场景可以被参数化为一组高斯函数。这种表示方法不仅计算效率高，而且由于其点状结构，可以方便地嵌入结构先验，适用于快速渲染。

ControlNet

ControlNet是一种基于扩散模型的生成模型，用于从数据分布中进行采样，生成图像。它通过逆转一个离散时间随机噪声添加过程，使用一个训练有素的扩散模型来近似这个过程。ControlNet通过在变分自编码器（VAE）的基础上，引入额外的图像条件，增强了生成过程。它使用一个损失函数来优化网络结构，这个损失函数考虑了文本和图像的条件，以及由扩散模型推断出的高斯噪声。

这两种技术在文章中被用于构建GaussianObject框架，用于从稀疏视图高质量地重建3D对象。3D Gaussian Splatting用于高效的3D表示和渲染，而ControlNet用于通过扩散模型修复和优化这些3D表示。

模型总体框架

GaussianObject旨在从极度稀疏的视角（例如360°范围内的4张图像）重建并渲染高质量的3D对象。模型的输入包括一组稀疏的参考图像（以及相应的相机内参、外参和对象的遮罩）。首先使用视觉外壳技术（visual hull）初始化3D高斯，为3D对象提供一个大致的几何框架。然后通过“浮点消除”（floater elimination）技术，优化3D高斯表示，以增强结构一致性并减少异常值。再设计一个基于扩散模型的高斯修复模型，用于修复由于信息缺失或压缩而造成的伪影，并设计自生成策略来获取训练修复模型所需的图像对。文章还提出了一种不需要COLMAP（一种结构从运动技术）的变体，它在没有精确相机位姿的情况下也能实现竞争性的重建质量。最后输出优化后的3D高斯表示，可以从任何视角渲染出照片级真实的3D对象。

1. 使用结构先验进行3D高斯的初始优化

文章提出了两种初始优化三维高斯表示的技术，它们充分利用了有限视图的结构先验，并得到了令人满意的物体轮廓。

• 根据视觉外壳初始化：在视觉外壳内使用拒绝采样方法随机初始化点：将均匀采样的随机3D点投影到图像平面上，只保留那些位于所有图像空间遮罩相交区域内的点。点的颜色是通过参考图像投影的双线性插值像素颜色平均得到的，并将这些3D点转换成3D高斯点。

• 浮动移除：由于参考图像覆盖范围不足，视觉外壳可能包含不属于物体的区域，这些区域表现为浮动，影响新视图合成的质量。因此，文章使用K-Nearest Neighbors (KNN)算法计算每个3D高斯到最近个高斯的平均距离。通过计算距离的平均值和标准差来建立一个规范范围，并根据这个范围排除那些平均邻接距离超出自适应阈值的高斯点。

• 初始优化：优化过程包括颜色损失、掩模损失和单目深度损失。其中颜色损失结合了L1损失和结构相似性（SSIM）损失。掩模损失使用二元交叉熵（BCE）损失。深度损失使用移位和尺度不变深度损失。综合这些损失项，通过调整各损失项的权重来优化3D高斯表示。

2. 引入高斯修复模型，旨在解决由于输入视图稀疏导致3D对象重建中出现的问题。

高斯修复模型R是为了解决由于输入视图稀疏导致3D对象重建中的信息遗漏和压缩问题，专注于纠正3D高斯表示中的异常分布。通过接受损坏的渲染图像作为输入，并输出经过修复的高保真图像，模型R有助于提高重建的质量和细节。这涉及到使用留一策略（leave-one-out training）和添加噪声来生成训练数据。具体来说，从输入图像中构建多个子集，每个子集包含除了一个之外的所有图像，然后使用这些子集训练多个3DGS模型。并且，在3D高斯属性上添加噪声，以生成更多损坏的渲染图像，从而提供足够的训练数据对。然后使用预训练的ControlNet作为基础，通过注入LoRA（Low-Rank Adaptation）层进行微调。这种方法使得GaussianObject能够在只有非常有限的视图信息的情况下，也能生成高质量的3D重建结果。

3. 基于距离感知采样策略的高斯修复方法

由于参考视图附近的对象信息丰富，模型需要确定哪些视图需要进行修正以提高整体的渲染质量，因此文章介绍了一种基于距离感知采样策略的高斯修复方法（Gaussian Repair with Distance-Aware Sampling）。文章建立了一条与训练视图对齐的椭圆路径，假设在这些路径上的渲染的图像质量较高，并集中在一个中心点上。其他弧线定义的视图的渲染结果需要被修正：在每次迭代中，从修复路径中随机采样新的视点。对于每个新视点，渲染相应的图像，并通过潜在扩散编码器将其编码，将编码的图像输入到图像条件分支的R中，同时生成一个噪声扰动的潜在表示。通过运行DDIM采样并通过扩散解码器生成一个样本，以修复视图。使用损失函数Lrep，该函数结合了距离权重和感知相似性度量，来优化3D高斯表示。通过识别和修正那些与参考视图距离较远的视图，模型能够更有效地利用数据和计算资源，从而提高整体的渲染质量。

4. COLMAP-Free GaussianObject (CF-GaussianObject)

传统的稀疏视图重建方法依赖于精确的相机参数，这些参数通常通过SfM流程（一种不需要结构从运动，Structure from Motion）获得。CF-GaussianObject旨在简化这一流程，减少对精确相机参数的依赖，使CF-GaussianObject可以更容易地应用于日常场景。具体来说，首先引入了先进的稀疏匹配模型DUst3R来预测相机姿态和内参，从而不需要传统的SfM流程。假设所有参考图像共享相同的相机内参，这与原始DUst3R不同，后者为每个视图预测不同的相机焦距。然后使用视觉外壳技术对DUst3R预测的粗略点云进行结构先验增强，以初始化3D高斯。最后引入正则化损失来限制预测相机姿态的偏差，增强优化的鲁棒性。

实验部分

表2和3给出了在MipNeRF360、OmniObject3D和OpenIllumination数据集上与现有方法相比，GaussianObject的视图合成性能。实验表明，gasianobject在所有数据集上都能获得一致的SOTA结果，特别是在感知质量- LPIPS方面。虽然GaussianObject的设计是为了处理极其稀疏的输入视图，但它仍然优于其他具有更多输入视图的方法，即6和9，进一步证明了其有效性。

图5和图6展示了在只有4个输入视图的情况下，各种方法在不同数据集上的渲染结果。文章观察到，与竞争模型相比，GaussianObject获得了更好的视觉质量和保真度。虽然ZeroRF在OpenIllumination上表现出具有竞争力的PSNR和SSIM，但其效果图模糊且缺乏细节，如图6所示。相比之下，GaussianObject展示了精细的重建。这种优越的感知质量突出了高斯修复模型的有效性。

表4显示了对具有挑战性的MipNeRF360数据集的比较。考虑到TriplaneGaussian只适应单一的图像输入，文章给它提供物体的正面视图。LGM需要将目标物体放置在世界坐标原点处，摄像机朝向目标物体，仰角为0◦，方位角为0◦，90◦，180◦和270◦。因此，文章报告了两个版本的LGM——LGM-4直接使用四个稀疏捕获作为输入视图，LGM-1使用MVDream按照原始方式生成符合LGM设置要求的图像。结果表明，输入视图之间的严格要求严重阻碍了具有野外捕获的类lrm模型的稀疏重建性能。相比之下，GaussianObject不需要大量的预训练，对输入视图没有限制，可以重建日常生活中任何复杂的对象。

CF-GaussianObject的性能在MipNeRF360和OmniObject3D数据集上进行了评估，结果详见表2和图5。虽然CF-GaussianObject表现出一些性能下降，但它消除了对精确相机参数的需求，大大提高了其实用性。与其他依赖精确相机参数的SOTA方法相比，其性能仍然具有竞争力。值得注意的是，文章观察到性能下降与输入视图数量的增加相关，这主要是由于随着视图数量的增加，DUSt3R估计的准确性下降。如图7所示，对智能手机拍摄的图像进行对比实验，证实了CF-GaussianObject具有优越的重建能力和视觉质量。

消融研究

文章进行了一系列的实验来验证每个组件的有效性。下面在MipNeRF360上进行了4个输入视图的实验，并报告了平均度量值。文章一次禁用目视船体初始化、浮子消除、高斯修复模型设置和高斯修复过程，以验证它们的有效性。进一步将高斯修复损失与分数蒸馏采样(SDS)损失进行比较，并消融深度损失。表5和图9所示的结果表明，每个元素都对性能有重要贡献，缺少它们会导致结果下降。

特别是，忽略视觉船体初始化会导致性能显著下降。高斯修复模型设置和高斯修复过程显著提高了视觉质量，缺少任何一种都会导致感知质量大幅下降，如图8所示。

为了验证文章设计的修复模型的有效性，文章评估了高斯修复模型和其他替代结构生成的样本。第一个是用Dreambooth实现的，它嵌入了带有语义修改的目标对象先验。受Song等人的启发，第二种方法引入了单目深度调节ControlNet，该方法使用3.4节中的数据对生成进行微调。文章还使用掩蔽深度调节来评估性能。此外，文章考虑Zero123-XL，这是一种著名的单图像重建模型，需要以物体为中心的输入图像，并具有精确的相机旋转和位置。结果如表6和图10所示，仅Dreambooth提出的语义修改在3d相干合成中是失败的。单目深度调节，无论是带或不带口罩，尽管有一些改进，仍然存在深度粗糙度和伪影。Zero123-XL，在生成视觉上可接受的图像的同时，缺乏多视图结构一致性。相比之下，文章的模型在3D一致性和细节保真度方面都表现出色，在定性和定量方面都优于其他模型。

文章设计了实验来评估相对于不同训练视图数量的优势。如图11所示，在不同数量的训练视图中，GaussianObject始终优于vanilla 3DGS。此外，具有24个训练视图的GaussianObject在所有（243）视图上训练的性能与3DGS相当。

GaussianObject在稀疏360°对象重建中表现出显著的性能，但作者仍提出几点研究展望：

（1）在完全未观察到或观察不足的区域，文章的修复模型可能会产生幻觉，即可能产生不存在的细节，如图12所示。

（2）由于输入数据的稀疏性，当前模型在捕捉视图依赖效果方面存在限制。这可能导致在新视角下无法正确显示视图依赖的外观，或者在渲染中引入一些意想不到的伪影，如图13所示。

最后别忘了，帮忙点“在看”。  

您的点赞，在看，是我创作的动力。

AiFighing是全网第一且唯一以代码、项目的形式讲解自动驾驶感知方向的关键技术。

长按扫描下面二维码，加入知识星球。