Re-Activating Frozen Primitives for 3D Gaussian Splatting

📄 arXiv: 2510.19653v1 📥 PDF

作者: Yuxin Cheng, Binxiao Huang, Wenyong Zhou, Taiqiang Wu, Zhengwu Liu, Graziano Chesi, Ngai Wong

分类: cs.CV

发布日期: 2025-10-21

💡 一句话要点

ReAct-GS：通过重激活冻结图元解决3D高斯溅射中的过重建伪影问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D高斯溅射 新视角合成 三维重建 过重建伪影 图元冻结 重激活机制 密度化准则

📋 核心要点

  1. 现有3D高斯溅射方法在复杂场景中存在过重建伪影，导致局部模糊和针状失真等问题。
  2. ReAct-GS通过重要性感知密度化准则和重激活机制，解决梯度稀释和图元冻结问题，从而消除过重建伪影。
  3. 实验表明，ReAct-GS在多个数据集上实现了SOTA性能，并能与其他3D-GS变体集成，具有广泛适用性。

📝 摘要（中文）

3D高斯溅射(3D-GS)实现了实时的、照片般逼真的新视角合成，但由于过度重建伪影，在复杂场景中表现不佳，表现为局部模糊和针状失真。虽然最近的方法将这些问题归因于大规模高斯的不充分分裂，但我们发现了两个根本的局限性：密度化过程中的梯度幅度稀释和图元冻结现象，即在复杂区域抑制了必要的高斯密度化，而次优缩放的高斯被困在局部最优中。为了应对这些挑战，我们引入了ReAct-GS，这是一种基于重激活原则的方法。我们的方法包括：(1)一种重要性感知密度化准则，结合来自多个视点的α混合权重，以重新激活复杂区域中停滞的图元增长；(2)一种重激活机制，通过自适应参数扰动来恢复冻结的图元。在各种真实世界数据集上的综合实验表明，ReAct-GS有效地消除了过度重建伪影，并在标准新视角合成指标上实现了最先进的性能，同时保留了复杂的几何细节。此外，我们的重激活机制在与其他3D-GS变体(如Pixel-GS)集成时，也能产生一致的改进，证明了其广泛的适用性。

🔬 方法详解

问题定义：论文旨在解决3D高斯溅射(3D-GS)在新视角合成中，由于过度重建伪影导致的图像质量下降问题。现有方法主要通过分裂大的高斯图元来解决，但忽略了梯度稀释和图元冻结现象，导致在复杂区域无法有效进行高斯密度化，使得次优的高斯图元停留在局部最优解。

核心思路：ReAct-GS的核心思路是“重激活”。通过重新激活在复杂区域停滞增长的图元，并恢复那些被“冻结”在局部最优的图元，从而更有效地进行高斯密度化，减少过重建伪影。这种思路避免了简单地增加高斯图元数量，而是关注于如何更有效地利用现有图元。

技术框架：ReAct-GS主要包含两个核心模块：(1) 重要性感知密度化准则：该准则利用来自多个视点的α混合权重，评估每个高斯图元的重要性，并优先对重要性高的图元进行密度化。(2) 重激活机制：该机制通过自适应参数扰动，对“冻结”的图元进行扰动，使其有机会跳出局部最优，从而恢复其增长能力。这两个模块协同工作，共同提升3D-GS的性能。

关键创新：ReAct-GS的关键创新在于其对梯度稀释和图元冻结现象的识别，以及针对这些现象提出的重激活策略。与现有方法不同，ReAct-GS不是简单地增加高斯图元的数量，而是通过重新激活现有图元，更有效地利用了已有的资源。这种方法在减少过重建伪影的同时，也保持了模型的效率。

关键设计：重要性感知密度化准则的关键在于α混合权重的计算方式，它反映了每个高斯图元在不同视点下的可见性和贡献。重激活机制的关键在于参数扰动的幅度和频率，需要根据具体场景进行调整，以避免过度扰动导致的不稳定。论文中可能还涉及一些损失函数的设计，用于指导高斯图元的优化，例如，可能使用了L1损失或L2损失来约束高斯图元的形状和位置。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ReAct-GS在多个真实世界数据集上取得了显著的性能提升，有效消除了过重建伪影。实验结果表明，ReAct-GS在标准新视角合成指标上达到了SOTA水平，并在保持几何细节方面表现出色。此外，ReAct-GS的重激活机制可以与其他3D-GS变体(如Pixel-GS)集成，并带来一致的改进，证明了其良好的泛化能力。

🎯 应用场景

ReAct-GS在三维重建、新视角合成、虚拟现实、增强现实等领域具有广泛的应用前景。它可以用于创建更逼真、更精细的3D场景模型，提升用户在虚拟环境中的沉浸感。此外，该技术还可以应用于自动驾驶、机器人导航等领域，为感知系统提供更准确的环境信息。

📄 摘要（原文）

3D Gaussian Splatting (3D-GS) achieves real-time photorealistic novel view synthesis, yet struggles with complex scenes due to over-reconstruction artifacts, manifesting as local blurring and needle-shape distortions. While recent approaches attribute these issues to insufficient splitting of large-scale Gaussians, we identify two fundamental limitations: gradient magnitude dilution during densification and the primitive frozen phenomenon, where essential Gaussian densification is inhibited in complex regions while suboptimally scaled Gaussians become trapped in local optima. To address these challenges, we introduce ReAct-GS, a method founded on the principle of re-activation. Our approach features: (1) an importance-aware densification criterion incorporating $α$-blending weights from multiple viewpoints to re-activate stalled primitive growth in complex regions, and (2) a re-activation mechanism that revitalizes frozen primitives through adaptive parameter perturbations. Comprehensive experiments across diverse real-world datasets demonstrate that ReAct-GS effectively eliminates over-reconstruction artifacts and achieves state-of-the-art performance on standard novel view synthesis metrics while preserving intricate geometric details. Additionally, our re-activation mechanism yields consistent improvements when integrated with other 3D-GS variants such as Pixel-GS, demonstrating its broad applicability.