TriaGS: Differentiable Triangulation-Guided Geometric Consistency for 3D Gaussian Splatting

📄 arXiv: 2512.06269v1 📥 PDF

作者: Quan Tran, Tuan Dang

分类: cs.CV

发布日期: 2025-12-06

备注: 10 pages

期刊: WACV 2026

💡 一句话要点

TriaGS：通过可微三角测量引导几何一致性的3D高斯溅射

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting)

关键词: 3D高斯溅射 新视角合成 几何一致性 三角测量 多视角重建

📋 核心要点

  1. 3D高斯溅射依赖光度损失，易产生“漂浮物”伪影和非结构化几何体，限制了高保真表面的提取。
  2. TriaGS通过约束多视角三角测量，增强全局几何一致性，利用多视角信息达成3D表示共识。
  3. 实验表明，TriaGS在多个数据集上实现了SOTA结果，DTU数据集上Chamfer距离达到0.50毫米。

📝 摘要（中文）

3D高斯溅射因其效率和渲染照片级真实图像的能力，在实时新视角合成中至关重要。然而，构建3D高斯模型仅由光度损失引导，这可能导致重建中的不一致性。这种欠约束的过程通常会导致“漂浮物”伪影和非结构化几何体，从而阻碍了高保真表面的提取。为了解决这个问题，本文提出了一种新方法，通过约束多视角三角测量来加强全局几何一致性，从而改进重建。我们的方法旨在通过利用各种估计的视图，在物理世界中的3D表示上达成共识。我们通过惩罚渲染的3D点与鲁棒共识点（从自监督方式的相邻视图束中重新三角化得到）的偏差来优化此过程。我们在多个数据集上证明了我们方法的有效性，实现了最先进的结果。在DTU数据集上，我们的方法达到了0.50毫米的平均Chamfer距离，优于可比的显式方法。我们将开源我们的代码，以方便社区验证并确保可重复性。

🔬 方法详解

问题定义：现有3D高斯溅射方法主要依赖光度损失进行优化，缺乏对几何一致性的约束。这导致重建结果中出现“漂浮物”伪影，几何结构不规则，难以提取高质量的表面模型。因此，如何提升3D高斯溅射的几何重建质量是一个关键问题。

核心思路：TriaGS的核心思路是通过引入多视角几何约束来提升3D高斯溅射的重建质量。具体而言，该方法利用多视角图像进行三角测量，得到一个鲁棒的3D点作为共识点，然后惩罚渲染的3D点与该共识点的偏差。这样可以有效地约束3D高斯溅射的优化过程，使其更加符合真实的几何结构。

技术框架：TriaGS的整体框架包括以下几个主要步骤：1) 使用现有的3D高斯溅射方法初始化场景；2) 对每个3D高斯点，从多个相邻视角进行三角测量，得到一个鲁棒的共识3D点；3) 计算渲染的3D点与共识3D点之间的偏差，并将其作为几何一致性损失；4) 将几何一致性损失与光度损失结合起来，共同优化3D高斯溅射的参数。

关键创新：TriaGS的关键创新在于引入了可微的三角测量过程，并将其与3D高斯溅射的优化过程相结合。通过这种方式，该方法可以有效地利用多视角几何信息来约束3D高斯溅射的重建过程，从而提升重建质量。与现有方法相比，TriaGS不需要额外的深度信息或其他先验知识，可以直接从多视角图像中学习到高质量的3D模型。

关键设计：在TriaGS中，一个关键的设计是共识3D点的计算方法。该方法采用了一种鲁棒的三角测量方法，以减少噪声和异常值的影响。此外，几何一致性损失的设计也至关重要。该方法采用了一种基于Chamfer距离的损失函数，以衡量渲染的3D点与共识3D点之间的偏差。损失函数的权重需要仔细调整，以平衡光度损失和几何一致性损失之间的关系。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TriaGS在多个数据集上取得了SOTA结果。在DTU数据集上，TriaGS的平均Chamfer距离达到了0.50毫米，显著优于其他显式方法。实验结果表明，TriaGS能够有效地提升3D高斯溅射的几何重建质量，减少“漂浮物”伪影，并生成更加真实、一致的3D模型。

🎯 应用场景

TriaGS具有广泛的应用前景，包括：1) 新视角合成：可以生成高质量、几何一致的新视角图像；2) 3D重建：可以从多视角图像中重建出高保真度的3D模型，应用于虚拟现实、增强现实等领域；3) 机器人导航：可以为机器人提供准确的3D环境地图，帮助机器人进行导航和避障。未来，该技术有望应用于自动驾驶、城市建模等更广泛的领域。

📄 摘要（原文）

3D Gaussian Splatting is crucial for real-time novel view synthesis due to its efficiency and ability to render photorealistic images. However, building a 3D Gaussian is guided solely by photometric loss, which can result in inconsistencies in reconstruction. This under-constrained process often results in "floater" artifacts and unstructured geometry, preventing the extraction of high-fidelity surfaces. To address this issue, our paper introduces a novel method that improves reconstruction by enforcing global geometry consistency through constrained multi-view triangulation. Our approach aims to achieve a consensus on 3D representation in the physical world by utilizing various estimated views. We optimize this process by penalizing the deviation of a rendered 3D point from a robust consensus point, which is re-triangulated from a bundle of neighboring views in a self-supervised fashion. We demonstrate the effectiveness of our method across multiple datasets, achieving state-of-the-art results. On the DTU dataset, our method attains a mean Chamfer Distance of 0.50 mm, outperforming comparable explicit methods. We will make our code open-source to facilitate community validation and ensure reproducibility.