A Comparative Evaluation of Geometric Accuracy in NeRF and Gaussian Splatting

📄 arXiv: 2604.18205v1 📥 PDF

作者: Mikolaj Zielinski, Eryk Vykysaly, Bartlomiej Biesiada, Jan Baturo, Mateusz Capala, Dominik Belter

分类: cs.CV, cs.RO

发布日期: 2026-04-20

💡 一句话要点

提出几何精度评估流程，对比NeRF与高斯溅射在机器人操作场景下的性能。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 神经渲染 几何精度 评估流程 机器人 三维重建

📋 核心要点

  1. 现有神经渲染方法在视觉质量评估方面取得了进展，但在几何精度方面存在不足，尤其是在机器人应用中。
  2. 论文提出了一种新的评估流程，专注于神经渲染方法重建几何体的表面和形状保真度。
  3. 通过包含19个场景的基准测试，系统地评估了NeRF和高斯溅射等方法的几何精度，补充了视觉指标。

📝 摘要（中文）

神经渲染领域的最新进展涌现出多种3D场景表示方法。虽然标准的计算机视觉指标可以评估生成图像的视觉质量，但它们通常忽略了表面几何体的保真度。这种局限性在机器人技术中尤为关键，因为精确的几何形状对于抓取和物体操作等任务至关重要。本文提出了一种针对神经渲染方法的几何精度评估流程，并包含一个由19个不同场景组成的基准。我们的方法能够对重建方法在表面和形状保真度方面进行系统评估，从而补充了传统的视觉指标。

🔬 方法详解

问题定义：现有神经渲染方法，如NeRF和高斯溅射，主要关注生成图像的视觉质量，缺乏对重建几何体精度的有效评估。这限制了它们在需要精确几何信息的机器人应用中的应用，例如抓取和物体操作。现有方法难以量化重建几何体的表面和形状保真度。

核心思路：论文的核心思路是构建一个专门用于评估神经渲染方法几何精度的流程。该流程通过定义一系列几何指标，并提供一个包含多样化场景的基准数据集，从而实现对不同方法重建几何体的系统性评估。通过对比不同方法在这些指标上的表现，可以更全面地了解它们的几何重建能力。

技术框架：该评估流程主要包含以下几个阶段：1) 数据采集：使用包含多种场景的基准数据集。2) 几何重建：使用NeRF或高斯溅射等神经渲染方法重建3D场景。3) 几何评估：使用定义的几何指标（如表面距离、形状相似度等）评估重建几何体的精度。4) 结果分析：对比不同方法在各项指标上的表现，分析其优缺点。

关键创新：该论文的关键创新在于提出了一个专门针对神经渲染方法几何精度的评估流程和基准数据集。与以往主要关注视觉质量的评估方法不同，该流程能够更全面地评估神经渲染方法在几何重建方面的能力，为机器人等需要精确几何信息的应用提供了重要参考。

关键设计：具体的几何指标包括：1) 表面距离：衡量重建表面与真实表面之间的距离。2) 形状相似度：衡量重建形状与真实形状之间的相似程度。3) 完整性：衡量重建几何体是否完整地覆盖了真实物体。基准数据集包含19个不同的场景，涵盖了各种形状和纹理的物体，以确保评估的全面性。具体实现细节未知。

🖼️ 关键图片

fig_0

📊 实验亮点

论文构建了一个包含19个不同场景的基准数据集，并使用该数据集对NeRF和高斯溅射等方法进行了评估。实验结果表明，不同方法在几何精度方面存在显著差异。具体性能数据未知，但该研究为评估神经渲染方法的几何精度提供了一个有价值的参考。

🎯 应用场景

该研究成果可应用于机器人抓取、物体操作、三维重建、虚拟现实等领域。通过评估神经渲染方法的几何精度，可以选择更适合特定任务的方法，提高机器人操作的可靠性和效率。此外，该评估流程还可以促进神经渲染方法在几何重建方面的进一步发展。

📄 摘要（原文）

Recent advances in neural rendering have introduced numerous 3D scene representations. Although standard computer vision metrics evaluate the visual quality of generated images, they often overlook the fidelity of surface geometry. This limitation is particularly critical in robotics, where accurate geometry is essential for tasks such as grasping and object manipulation. In this paper, we present an evaluation pipeline for neural rendering methods that focuses on geometric accuracy, along with a benchmark comprising 19 diverse scenes. Our approach enables a systematic assessment of reconstruction methods in terms of surface and shape fidelity, complementing traditional visual metrics.