GSM-GS: Geometry-Constrained Single and Multi-view Gaussian Splatting for Surface Reconstruction

📄 arXiv: 2602.12796v1 📥 PDF

作者: Xiao Ren, Yu Liu, Ning An, Jian Cheng, Xin Qiao, He Kong

分类: cs.CV, cs.GR

发布日期: 2026-02-13

备注: https://aislab-sustech.github.io/GSM-GS/

💡 一句话要点

提出GSM-GS，结合几何约束的单/多视角高斯溅射表面重建方法

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

关键词: 高斯溅射 三维重建 几何约束 多视角优化 单视角优化

📋 核心要点

  1. 3D高斯溅射方法在表面重建中面临精度挑战，尤其是在复杂微观结构中容易丢失高频细节。
  2. GSM-GS框架通过单视角自适应子区域加权约束和多视角空间结构细化，提升重建质量和多视角一致性。
  3. 实验结果表明，该方法在渲染质量和几何重建方面都表现出竞争力，证明了其有效性。

📝 摘要（中文）

本文提出了一种名为GSM-GS的协同优化框架，用于解决3D高斯溅射在表面重建中精度不足的问题，尤其是在复杂表面微观结构中高频细节丢失的问题。该框架集成了单视角自适应子区域加权约束和多视角空间结构细化。在单视角优化中，利用图像梯度特征将场景划分为纹理丰富和纹理较少的子区域，并通过深度差异特征引导的自适应滤波机制来增强重建质量。在多视角优化中，引入了一种几何引导的跨视角点云关联方法，并结合动态权重采样策略，构建跨相邻点云帧的3D结构法线约束，从而有效地增强多视角一致性和重建保真度。在公共数据集上的大量实验表明，该方法在渲染质量和几何重建方面都具有竞争力。

🔬 方法详解

问题定义：现有3D高斯溅射方法在表面重建中，由于高斯点云的非结构化和不规则性，导致重建精度受限。尤其是在复杂表面微观结构中，常规方法容易丢失高频细节，无法准确捕捉几何信息。因此，需要一种能够有效利用几何信息，提高重建质量的方法。

核心思路：GSM-GS的核心思路是结合单视角和多视角的几何约束，协同优化高斯溅射的参数。单视角优化侧重于利用图像梯度特征和深度信息，自适应地调整不同区域的权重，从而保留高频细节。多视角优化则通过几何引导的跨视角点云关联，构建结构法线约束，增强多视角一致性。

技术框架：GSM-GS框架包含两个主要阶段：单视角优化和多视角优化。在单视角优化阶段，首先利用图像梯度特征将场景划分为纹理丰富和纹理较少的子区域。然后，根据深度差异特征，对不同区域应用自适应滤波机制，并采用双分支约束策略，优化高斯参数。在多视角优化阶段，通过几何引导的跨视角点云关联方法，建立相邻帧之间的对应关系，并利用动态权重采样策略，构建3D结构法线约束，进一步优化高斯参数。

关键创新：GSM-GS的关键创新在于：1) 提出了单视角自适应子区域加权约束，能够根据纹理信息自适应地调整不同区域的权重，从而更好地保留高频细节。2) 引入了几何引导的跨视角点云关联方法，能够有效地建立相邻帧之间的对应关系，并构建结构法线约束，增强多视角一致性。

关键设计：在单视角优化中，深度差异特征用于指导自适应滤波机制，高权重区域被保留，同时根据区域纹理变化采用双分支约束策略。在多视角优化中，动态权重采样策略用于平衡不同视角的信息，损失函数包括渲染损失、深度损失和结构法线损失。具体的参数设置和网络结构在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在公开数据集上进行了大量实验，结果表明，GSM-GS在渲染质量和几何重建方面都取得了具有竞争力的结果。相较于现有方法，GSM-GS能够更好地保留高频细节，并提高多视角一致性。具体的性能数据和对比基线在论文中有详细展示。

🎯 应用场景

GSM-GS方法可应用于三维重建、虚拟现实、增强现实、机器人导航等领域。该方法能够提高复杂场景的重建精度和渲染质量，为相关应用提供更逼真的三维模型。未来，该方法有望应用于文物数字化保护、工业检测、医疗影像分析等领域，具有广阔的应用前景。

📄 摘要（原文）

Recently, 3D Gaussian Splatting has emerged as a prominent research direction owing to its ultrarapid training speed and high-fidelity rendering capabilities. However, the unstructured and irregular nature of Gaussian point clouds poses challenges to reconstruction accuracy. This limitation frequently causes high-frequency detail loss in complex surface microstructures when relying solely on routine strategies. To address this limitation, we propose GSM-GS: a synergistic optimization framework integrating single-view adaptive sub-region weighting constraints and multi-view spatial structure refinement. For single-view optimization, we leverage image gradient features to partition scenes into texture-rich and texture-less sub-regions. The reconstruction quality is enhanced through adaptive filtering mechanisms guided by depth discrepancy features. This preserves high-weight regions while implementing a dual-branch constraint strategy tailored to regional texture variations, thereby improving geometric detail characterization. For multi-view optimization, we introduce a geometry-guided cross-view point cloud association method combined with a dynamic weight sampling strategy. This constructs 3D structural normal constraints across adjacent point cloud frames, effectively reinforcing multi-view consistency and reconstruction fidelity. Extensive experiments on public datasets demonstrate that our method achieves both competitive rendering quality and geometric reconstruction. See our interactive project page