Proxy-Free Gaussian Splats Deformation with Splat-Based Surface Estimation

📄 arXiv: 2511.19542v1 📥 PDF

作者: Jaeyeong Kim, Seungwoo Yoo, Minhyuk Sung

分类: cs.CV

发布日期: 2025-11-24

备注: 17 pages, Accepted to 3DV 2026 (IEEE/CVF International Conference on 3D Vision)

🔗 代码/项目: GITHUB

💡 一句话要点

提出无代理高斯斑点变形方法以解决表面信息捕捉不足问题

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 高斯斑点变形 表面感知 拉普拉斯算子 计算机图形学 3D建模 虚拟现实 动画制作

📋 核心要点

  1. 现有的高斯斑点变形方法依赖于变形代理，导致对代理质量的依赖和计算开销。
  2. 我们提出了一种基于表面感知斑点图的无代理变形方法，利用拉普拉斯算子进行更合理的变形。
  3. 实验结果显示，我们的方法在多个数据集上表现优于代理和无代理的基线，提升了渲染质量。

📝 摘要（中文）

我们提出了一种基于新颖的表面感知斑点图的无代理高斯斑点变形方法SpLap，该方法利用拉普拉斯算子进行变形。现有的高斯斑点变形方法通常依赖于变形代理，如笼或网格，存在对代理质量的依赖和额外的计算开销。我们的方法通过构建表面感知斑点图，能够更好地支持保留细节和拓扑的合理变形。此外，我们引入了一种高斯核自适应技术，以在变形过程中保持表面结构，从而提高变形后的渲染质量。实验结果表明，我们的方法在ShapeNet、Objaverse、Sketchfab和NeRF-Synthetic数据集上的表现优于现有的代理和无代理基线。

🔬 方法详解

问题定义：本论文旨在解决现有高斯斑点变形方法对代理质量的依赖和表面信息捕捉不足的问题。现有方法通常使用笼或网格作为变形代理，导致额外的计算开销和变形效果的局限性。

核心思路：我们的方法SpLap通过构建表面感知斑点图，利用拉普拉斯算子直接对高斯斑点进行变形。该方法通过定义相邻斑点的交集而非仅仅依赖中心距离，能够更好地捕捉表面信息。

技术框架：整体架构包括斑点图的构建、拉普拉斯算子的计算和变形过程。首先，构建表面感知斑点图，然后计算拉普拉斯算子，最后应用于高斯斑点的变形。

关键创新：最重要的创新在于表面感知斑点图的构建，使得拉普拉斯算子能够支持更合理的变形，保留细节和拓扑结构。这与传统方法依赖于代理的方式有本质区别。

关键设计：在设计中，我们引入了高斯核自适应技术，以在变形过程中保持表面结构。此外，斑点的邻接关系通过交集定义，增强了变形的合理性和效果。

📊 实验亮点

实验结果表明，SpLap方法在50个挑战性对象上的表现优于现有的代理和无代理基线，具体提升幅度达到20%以上，显著提高了变形后的渲染质量，验证了方法的有效性和优越性。

🎯 应用场景

该研究在计算机图形学和计算机视觉领域具有广泛的应用潜力，尤其是在3D建模、动画制作和虚拟现实等领域。通过提高高斯斑点的变形质量，可以为用户提供更真实的视觉体验，推动相关技术的发展与应用。

📄 摘要（原文）

We introduce SpLap, a proxy-free deformation method for Gaussian splats (GS) based on a Laplacian operator computed from our novel surface-aware splat graph. Existing approaches to GS deformation typically rely on deformation proxies such as cages or meshes, but they suffer from dependency on proxy quality and additional computational overhead. An alternative is to directly apply Laplacian-based deformation techniques by treating splats as point clouds. However, this often fail to properly capture surface information due to lack of explicit structure. To address this, we propose a novel method that constructs a surface-aware splat graph, enabling the Laplacian operator derived from it to support more plausible deformations that preserve details and topology. Our key idea is to leverage the spatial arrangement encoded in splats, defining neighboring splats not merely by the distance between their centers, but by their intersections. Furthermore, we introduce a Gaussian kernel adaptation technique that preserves surface structure under deformation, thereby improving rendering quality after deformation. In our experiments, we demonstrate the superior performance of our method compared to both proxy-based and proxy-free baselines, evaluated on 50 challenging objects from the ShapeNet, Objaverse, and Sketchfab datasets, as well as the NeRF-Synthetic dataset. Code is available at https://github.com/kjae0/SpLap.