Robust and High-Fidelity 3D Gaussian Splatting: Fusing Pose Priors and Geometry Constraints for Texture-Deficient Outdoor Scenes
Meijun Guo, Yongliang Shi, Caiyun Liu, Yixiao Feng, Ming Ma, Tinghai Yan, Weining Lu, Bin Liang
3D Gaussian Splatting(3DGS)因其效率和视觉质量之间的平衡而成为数字资产创建的关键渲染管道。 为了解决由几何纹理不一致导致的不稳定姿势估计和场景表示失真的问题,我们在具有弱或重复纹理的大型户外场景中,从两个方面来解决这个问题:姿势估计和场景表示。 对于姿势估计,我们利用激光雷达-IMU Odometry为大型环境中的相机提供先前的姿势。 这些先前的姿势约束被纳入了 COLMAP 的三角测量过程,并通过捆绑调整进行姿势优化。 确保像素数据关联和先前姿势之间的一致性有助于保持稳健性和准确性。 对于场景表示,我们引入了正常的向量约束和有效的等级正则化,以强制高斯原语的方向和形状的一致性。 这些限制与现有的光度损耗共同优化,以提高地图质量。 我们使用公共和自我收集的数据集来评估我们的方法。 在姿势优化方面,我们的方法只需要三分之一的时间,同时保持两个数据集的准确性和稳健性。 在场景表示方面,结果表明我们的方法明显优于传统的3DGS管道。 值得注意的是,在以弱纹理或重复纹理为特征的自我收集的数据集上,我们的方法展示了增强的可视化功能,并实现了卓越的整体性能。 代码和数据将在https://github.com/justinyeah/normal_shape.git上公布。
3D Gaussian Splatting (3DGS) has emerged as a key rendering pipeline for digital asset creation due to its balance between efficiency and visual quality. To address the issues of unstable pose estimation and scene representation distortion caused by geometric texture inconsistency in large outdoor scenes with weak or repetitive textures, we approach the problem from two aspects: pose estimation and scene representation. For pose estimation, we leverage LiDAR-IMU Odometry to provide prior poses f...
