cvg/resplat

解决的问题

ReSplat 解决了从图像中高效预测 3D 高斯点云的挑战。其目标是在保持高质量重建的同时，减少所需的高斯数量，并通过测试时的迭代优化机制，提升场景表示。

工作原理

ReSplat 使用前馈递归模型。它从一个紧凑的初始化开始，在下采样空间中预测高斯点，使用的高斯数量远少于以往的逐像素方法。随后，它采用共享权重的递归模块，将渲染误差作为无梯度反馈信号，迭代预测高斯参数的更新。

适用人群

该项目适用于从事 3D 场景重建、计算机视觉和神经渲染的研究人员和开发者，特别是使用高斯点云技术的用户。

主要亮点

• 紧凑初始化：在下采样空间中预测高斯点，相比以往逐像素方法，使用的高斯数量减少 16 倍。
• 递归优化：使用共享权重模块，基于渲染误差进行高斯点优化，无需梯度信息。
• 测试时自适应：允许在推理过程中对 3D 表示进行迭代改进。