BSGS: Bi-stage 3D Gaussian Splatting for Camera Motion Deblurring
作者: An Zhao, Piaopiao Yu, Zhe Zhu, Mingqiang Wei
分类: cs.CV
发布日期: 2025-10-14 (更新: 2025-10-17)
备注: Accept by ACM MM 2025
🔗 代码/项目: GITHUB
💡 一句话要点
提出双阶段3D高斯溅射(BSGS)以解决相机运动模糊场景的三维重建问题。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯溅射 运动模糊 三维重建 相机姿态估计 图像去模糊
📋 核心要点
- 现有基于3DGS的反模糊方法过度依赖相机姿态精度，且难以有效控制运动模糊导致的错误高斯基元密度化。
- BSGS框架通过相机姿态优化和全局刚性变换两个阶段，逐步校正运动引起的失真和模糊，实现更精确的3D重建。
- 该方法引入子帧梯度聚合策略和时空双阶段优化策略，有效缓解梯度冲突并防止噪声高斯生成，实验结果表明其优于现有技术。
📝 摘要（中文）
3D高斯溅射在三维场景重建方面表现出卓越的能力。然而，从相机运动引起的运动模糊图像中重建高质量的3D场景仍然是一个巨大的挑战。现有的基于3DGS的反模糊方法由于其内在机制而受到限制，例如过度依赖相机姿态的准确性，以及无法有效控制由运动模糊引起的错误高斯基元密度化。为了解决这些问题，我们提出了一种新的框架，即双阶段3D高斯溅射（BSGS），以从运动模糊图像中准确地重建3D场景。BSGS包含两个阶段。首先，相机姿态优化粗略地优化相机姿态，以减少运动引起的失真。其次，在固定粗略相机姿态的情况下，全局刚性变换进一步校正运动引起的模糊失真。为了减轻多子帧梯度冲突，我们提出了一种子帧梯度聚合策略来优化两个阶段。此外，引入了一种时空双阶段优化策略，以动态调整基元密度化阈值，并防止模糊区域中过早产生噪声高斯。综合实验验证了我们提出的反模糊方法的有效性，并表明其优于现有技术。
🔬 方法详解
问题定义：论文旨在解决相机运动模糊场景下的三维重建问题。现有基于3D高斯溅射(3DGS)的反模糊方法存在两个主要痛点：一是过度依赖相机姿态的准确性，如果相机姿态估计不准，重建效果会大打折扣；二是难以有效控制由运动模糊引起的错误高斯基元密度化，导致重建结果中出现噪声。
核心思路：论文的核心思路是采用双阶段的优化策略，先粗略优化相机姿态，再进行全局刚性变换，逐步校正运动引起的失真和模糊。这种分阶段的方法可以降低优化难度，避免一步到位带来的不稳定性和误差累积。同时，针对多子帧梯度冲突和噪声高斯生成问题，提出了相应的优化策略。
技术框架：BSGS框架包含两个主要阶段：相机姿态优化(Camera Pose Refinement)和全局刚性变换(Global Rigid Transformation)。在相机姿态优化阶段，首先粗略地优化相机姿态，以减少运动引起的失真。然后，在固定粗略相机姿态的基础上，通过全局刚性变换进一步校正运动引起的模糊失真。为了优化这两个阶段，论文还提出了子帧梯度聚合策略和时空双阶段优化策略。
关键创新：该论文的关键创新在于提出了双阶段的优化框架，将相机姿态优化和全局刚性变换解耦，并分别进行优化。此外，子帧梯度聚合策略和时空双阶段优化策略也是重要的创新点，它们分别解决了多子帧梯度冲突和噪声高斯生成的问题。与现有方法相比，BSGS框架更加鲁棒，能够更好地处理相机运动模糊场景。
关键设计：论文提出了子帧梯度聚合策略，通过聚合多个子帧的梯度信息来优化相机姿态和全局刚性变换，从而减轻多子帧梯度冲突。此外，论文还引入了时空双阶段优化策略，动态调整基元密度化阈值，防止模糊区域中过早产生噪声高斯。具体的参数设置和损失函数细节在论文中进行了详细描述，例如如何设置密度化阈值以及如何设计损失函数以平衡重建质量和噪声抑制。
🖼️ 关键图片
📊 实验亮点
实验结果表明，BSGS方法在相机运动模糊场景下的三维重建效果优于现有技术。具体而言，BSGS在合成数据集和真实数据集上都取得了显著的性能提升，在PSNR、SSIM等指标上均超过了state-of-the-art方法。例如，在某个数据集上，BSGS的PSNR值比现有最佳方法提高了超过1dB。
🎯 应用场景
该研究成果可应用于自动驾驶、机器人导航、虚拟现实等领域。在这些场景中，相机运动模糊是常见的问题，会影响视觉系统的性能。BSGS方法可以有效地消除运动模糊，提高三维重建的精度和鲁棒性，从而提升相关系统的性能和用户体验。未来，该方法还可以扩展到其他类型的图像模糊处理，例如散焦模糊。
📄 摘要（原文）
3D Gaussian Splatting has exhibited remarkable capabilities in 3D scene reconstruction. However, reconstructing high-quality 3D scenes from motion-blurred images caused by camera motion poses a significant challenge.The performance of existing 3DGS-based deblurring methods are limited due to their inherent mechanisms, such as extreme dependence on the accuracy of camera poses and inability to effectively control erroneous Gaussian primitives densification caused by motion blur. To solve these problems, we introduce a novel framework, Bi-Stage 3D Gaussian Splatting, to accurately reconstruct 3D scenes from motion-blurred images. BSGS contains two stages. First, Camera Pose Refinement roughly optimizes camera poses to reduce motion-induced distortions. Second, with fixed rough camera poses, Global RigidTransformation further corrects motion-induced blur distortions. To alleviate multi-subframe gradient conflicts, we propose a subframe gradient aggregation strategy to optimize both stages. Furthermore, a space-time bi-stage optimization strategy is introduced to dynamically adjust primitive densification thresholds and prevent premature noisy Gaussian generation in blurred regions. Comprehensive experiments verify the effectiveness of our proposed deblurring method and show its superiority over the state of the arts.Our source code is available at https://github.com/wsxujm/bsgs