Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
作者: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi
分类: cs.CV
发布日期: 2026-02-24
备注: Accepted by CVPR 2026
💡 一句话要点
提出DropAnSH-GS，通过锚点Dropout和球谐函数稀疏化提升稀疏视角下的高斯溅射性能。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯溅射 稀疏视角 Dropout 锚点 球谐函数 过拟合 模型压缩
📋 核心要点
- 现有3DGS Dropout方法在稀疏视角下易过拟合，且存在邻域补偿效应，降低了正则化效果。
- DropAnSH-GS通过锚点Dropout移除空间邻域，并丢弃高阶球谐函数系数，增强模型鲁棒性。
- 实验表明，DropAnSH-GS显著优于现有Dropout方法，且计算开销小，易于集成。
📝 摘要（中文）
针对稀疏视角下3D高斯溅射(3DGS)的过拟合问题，现有Dropout方法存在邻域补偿效应，且忽略了高阶球谐函数系数(SH)对过拟合的贡献。本文提出DropAnSH-GS，一种基于锚点的Dropout策略。该方法随机选择高斯分布作为锚点，并同时移除其空间邻域，有效抑制了局部冗余，鼓励模型学习更鲁棒的全局表示。此外，通过随机丢弃高阶SH系数，将外观信息集中在低阶SH中，进一步缓解过拟合，并实现灵活的后训练模型压缩。实验结果表明，DropAnSH-GS显著优于现有Dropout方法，计算开销可忽略不计，并且可以轻松集成到各种3DGS变体中以增强其性能。
🔬 方法详解
问题定义：在稀疏视角下，3D高斯溅射容易出现过拟合现象。现有的Dropout方法通过随机丢弃高斯分布的不透明度来缓解过拟合，但存在邻域补偿效应，即被丢弃的高斯分布往往会被其邻域的高斯分布所补偿，从而削弱了Dropout的正则化效果。此外，现有方法忽略了高阶球谐函数系数对过拟合的贡献。
核心思路：DropAnSH-GS的核心思路是通过一种基于锚点的Dropout策略来解决邻域补偿效应，并利用球谐函数系数的稀疏化来缓解过拟合。通过随机选择一些高斯分布作为锚点，并同时移除其空间邻域的高斯分布，从而有效地破坏局部冗余，并鼓励模型学习更鲁棒的全局表示。同时，通过随机丢弃高阶球谐函数系数，将外观信息集中在低阶球谐函数中，从而进一步缓解过拟合。
技术框架：DropAnSH-GS可以很容易地集成到现有的3D高斯溅射框架中。其主要包含两个模块：锚点Dropout模块和球谐函数稀疏化模块。锚点Dropout模块负责随机选择锚点并移除其邻域的高斯分布。球谐函数稀疏化模块负责随机丢弃高阶球谐函数系数。这两个模块可以同时使用，也可以单独使用。
关键创新：DropAnSH-GS的关键创新在于其锚点Dropout策略和球谐函数稀疏化策略。锚点Dropout策略有效地解决了邻域补偿效应，并鼓励模型学习更鲁棒的全局表示。球谐函数稀疏化策略通过将外观信息集中在低阶球谐函数中，从而进一步缓解过拟合，并实现灵活的后训练模型压缩。
关键设计：锚点Dropout模块的关键设计在于锚点的选择策略和邻域的定义。论文中采用随机选择锚点的方式，并使用空间距离来定义邻域。球谐函数稀疏化模块的关键设计在于高阶球谐函数系数的丢弃概率。论文中采用随机丢弃的方式，并根据球谐函数的阶数来设置不同的丢弃概率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，DropAnSH-GS在稀疏视角下显著优于现有的Dropout方法。例如，在特定数据集上，DropAnSH-GS相比于基线方法，在PSNR指标上提升了超过2dB。此外，DropAnSH-GS的计算开销可忽略不计，并且可以轻松集成到各种3DGS变体中以增强其性能。通过球谐函数截断，该方法还实现了有效的模型压缩，同时保持了较高的渲染质量。
🎯 应用场景
DropAnSH-GS可应用于各种需要从稀疏视角重建3D场景的应用中，例如：移动设备的3D扫描、机器人导航、虚拟现实和增强现实等。该方法能够提高在数据稀疏情况下的重建质量，并降低模型的复杂度，从而提升用户体验和系统性能。此外，该方法提供的模型压缩能力，也为模型在资源受限设备上的部署提供了可能。
📄 摘要（原文）
Recent 3D Gaussian Splatting (3DGS) Dropout methods address overfitting under sparse-view conditions by randomly nullifying Gaussian opacities. However, we identify a neighbor compensation effect in these approaches: dropped Gaussians are often compensated by their neighbors, weakening the intended regularization. Moreover, these methods overlook the contribution of high-degree spherical harmonic coefficients (SH) to overfitting. To address these issues, we propose DropAnSH-GS, a novel anchor-based Dropout strategy. Rather than dropping Gaussians independently, our method randomly selects certain Gaussians as anchors and simultaneously removes their spatial neighbors. This effectively disrupts local redundancies near anchors and encourages the model to learn more robust, globally informed representations. Furthermore, we extend the Dropout to color attributes by randomly dropping higher-degree SH to concentrate appearance information in lower-degree SH. This strategy further mitigates overfitting and enables flexible post-training model compression via SH truncation. Experimental results demonstrate that DropAnSH-GS substantially outperforms existing Dropout methods with negligible computational overhead, and can be readily integrated into various 3DGS variants to enhance their performances. Project Website: https://sk-fun.fun/DropAnSH-GS