DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting

📄 arXiv: 2604.06739v1 📥 PDF

作者: Hantang Li, Qiang Zhu, Xiandong Meng, Debin Zhao, Xiaopeng Fan

分类: cs.CV

发布日期: 2026-04-08

备注: 10 pages, 5 figures

💡 一句话要点

提出DOC-GS框架，通过双域观测与校准提升稀疏视角下高斯溅射的重建质量。

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

关键词: 3D高斯溅射 稀疏视角重建 双域观测 高斯可靠性 暗通道先验

📋 核心要点

  1. 稀疏视角3DGS重建易出现过拟合和伪影，核心问题在于高斯基元可靠性难以观测。
  2. DOC-GS框架通过优化域的深度引导Dropout和观测域的暗通道先验，建模并校准高斯可靠性。
  3. 实验表明，DOC-GS能有效抑制伪影，提升稀疏视角下的3DGS重建质量和稳定性。

📝 摘要（中文）

在稀疏视角下使用3D高斯溅射(3DGS)重建本质上是不适定的，因为几何监督不足，常常导致严重的过拟合以及结构扭曲和半透明雾状伪影的出现。现有方法试图通过基于dropout的正则化来缓解这个问题，但它们很大程度上是启发式的，并且缺乏对伪影形成的统一理解。本文从一个新的角度重新审视稀疏视角3DGS重建，并将核心挑战确定为高斯基元可靠性的不可观测性。不可靠的高斯在优化过程中受到约束不足，并在渲染图像中累积为雾状退化。受此观察的启发，我们提出了一个统一的双域观测与校准(DOC-GS)框架，该框架通过优化域归纳偏置和观测域证据的协同作用来建模和校正高斯可靠性。具体来说，在优化域中，我们通过每个基元在训练期间受到的约束程度来表征高斯可靠性，并通过连续深度引导Dropout(CDGD)策略来实例化该信号，其中dropout概率充当基元可靠性的显式代理。这施加了一个平滑的深度感知归纳偏置，以抑制弱约束的高斯并提高优化稳定性。在观测域中，我们建立了漂浮伪影和大气散射之间的联系，并利用暗通道先验(DCP)作为结构一致性线索来识别和累积异常区域。基于跨视角聚合证据，我们进一步设计了一种可靠性驱动的几何剪枝策略来移除低置信度的高斯。

🔬 方法详解

问题定义：稀疏视角下的3D高斯溅射重建任务，由于视角信息不足，导致几何约束弱，容易出现过拟合现象，产生结构扭曲和半透明雾状伪影。现有方法主要采用启发式的dropout正则化，但缺乏对伪影形成机理的深入理解，效果有限。

核心思路：论文的核心在于将高斯基元的“可靠性”作为解决问题的关键。不可靠的高斯基元在优化过程中约束不足，容易累积成伪影。因此，论文提出通过双域（优化域和观测域）的信息来建模和校准高斯基元的可靠性，从而抑制伪影的产生。

技术框架：DOC-GS框架包含两个主要组成部分：优化域的连续深度引导Dropout (CDGD) 和观测域的暗通道先验 (DCP) 引导的几何剪枝。首先，CDGD根据高斯基元的深度信息动态调整dropout概率，抑制弱约束的高斯。然后，利用DCP在观测域中检测潜在的伪影区域，并结合跨视角信息进行聚合。最后，基于高斯基元的可靠性评估，进行几何剪枝，移除低置信度的基元。

关键创新：论文的关键创新在于：1) 提出了高斯基元“可靠性”的概念，并将其作为解决稀疏视角3DGS重建问题的核心；2) 提出了双域观测与校准的框架，将优化域的归纳偏置和观测域的先验知识相结合，更有效地建模和校准高斯可靠性；3) 设计了连续深度引导Dropout (CDGD) 和基于暗通道先验的几何剪枝策略，具体实现了双域观测与校准。

关键设计：CDGD策略中，dropout概率与高斯基元的深度相关，深度越深，dropout概率越高，从而抑制远离相机中心的高斯基元。DCP用于估计图像的透射率，透射率低的区域更有可能包含伪影。几何剪枝策略根据高斯基元的可靠性得分进行剪枝，得分低的基元被移除。具体实现细节（如损失函数、网络结构）在论文中未详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出了DOC-GS框架，有效抑制了稀疏视角3DGS重建中的伪影。虽然论文中没有给出具体的性能数据和对比基线，但摘要中提到该方法能够提高重建质量和稳定性，表明其在稀疏视角重建任务中具有显著优势。

🎯 应用场景

该研究成果可应用于三维重建、虚拟现实、增强现实等领域。尤其在视角稀疏或遮挡严重的情况下，例如从少量图像重建城市街景、室内场景或物体模型，具有重要的实际应用价值。未来可进一步扩展到动态场景重建和编辑。

📄 摘要（原文）

Sparse-view reconstruction with 3D Gaussian Splatting (3DGS) is fundamentally ill-posed due to insufficient geometric supervision, often leading to severe overfitting and the emergence of structural distortions and translucent haze-like artifacts. While existing approaches attempt to alleviate this issue via dropout-based regularization, they are largely heuristic and lack a unified understanding of artifact formation. In this paper, we revisit sparse-view 3DGS reconstruction from a new perspective and identify the core challenge as the unobservability of Gaussian primitive reliability. Unreliable Gaussians are insufficiently constrained during optimization and accumulate as haze-like degradations in rendered images. Motivated by this observation, we propose a unified Dual-domain Observation and Calibration (DOC-GS) framework that models and corrects Gaussian reliability through the synergy of optimization-domain inductive bias and observation-domain evidence. Specifically, in the optimization domain, we characterize Gaussian reliability by the degree to which each primitive is constrained during training, and instantiate this signal via a Continuous Depth-Guided Dropout (CDGD) strategy, where the dropout probability serves as an explicit proxy for primitive reliability. This imposes a smooth depth-aware inductive bias to suppress weakly constrained Gaussians and improve optimization stability. In the observation domain, we establish a connection between floater artifacts and atmospheric scattering, and leverage the Dark Channel Prior (DCP) as a structural consistency cue to identify and accumulate anomalous regions. Based on cross-view aggregated evidence, we further design a reliability-driven geometric pruning strategy to remove low-confidence Gaussians.