PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting

📄 arXiv: 2605.12072v1 📥 PDF

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

分类: cs.CV

发布日期: 2026-05-12

备注: 11 pages,8 figures

💡 一句话要点

提出PairDropGS以解决稀疏视图高斯点云重建不稳定问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 稀疏视图重建 高斯点云 一致性正则化 Dropout策略 计算机视觉

📋 核心要点

  1. 现有的Dropout方法在稀疏视图3D高斯点云重建中存在不一致性，导致重建结果不稳定和高斯表示学习效果不佳。
  2. 本文提出PairDropGS框架，通过构建丢弃高斯子集对并引入低频一致性正则化，增强了重建的稳定性和几何形状的保持。
  3. 实验结果显示，PairDropGS在多个稀疏视图基准测试中显著提升了重建质量和训练稳定性，超越了现有的Dropout方法。

📝 摘要（中文）

基于Dropout的稀疏视图3D高斯点云方法通过随机抑制高斯原语来缓解过拟合。然而，现有方法主要关注复杂的Dropout策略，忽视了不同丢弃高斯子集之间的不一致性，导致重建不稳定和高斯表示学习次优。本文从一致性正则化的角度重新审视Dropout方法，提出PairDropGS框架，通过构建共享高斯场的丢弃高斯子集对，并设计低频一致性正则化，促进稳定的场景布局和粗略几何形状的保持。我们还引入渐进一致性调度策略，逐步增强训练过程中的一致性正则化。大量实验表明，PairDropGS在训练稳定性和重建质量上显著优于现有方法，且具有简单易用的特点。

🔬 方法详解

问题定义：本文旨在解决基于Dropout的稀疏视图3D高斯点云重建中，由于不同丢弃高斯子集之间的不一致性而导致的重建不稳定和高斯表示学习效果不佳的问题。

核心思路：提出PairDropGS框架，通过构建共享高斯场的丢弃高斯子集对，并设计低频一致性正则化，来约束其低频渲染结构，从而保持稳定的场景布局和粗略几何形状。

技术框架：PairDropGS的整体架构包括高斯场的构建、丢弃高斯子集的生成、低频一致性正则化的应用，以及渐进一致性调度策略的实施，确保训练过程中的稳定性和鲁棒性。

关键创新：最重要的创新点在于引入了低频一致性正则化和渐进一致性调度策略，这与现有方法的单一Dropout策略形成鲜明对比，能够有效减少重建过程中的不稳定性。

关键设计：在损失函数中，结合了低频一致性损失和重建损失，确保在训练过程中对高频细节的约束不过度，同时保持了模型的灵活性和适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PairDropGS在多个稀疏视图基准测试中，训练稳定性显著提升，重建质量较现有Dropout方法提高了XX%，展示了其简单易用的特性。

🎯 应用场景

该研究的潜在应用领域包括计算机视觉中的3D重建、虚拟现实和增强现实等场景，能够为稀疏视图下的高质量三维重建提供更稳定的解决方案，具有重要的实际价值和未来影响。

📄 摘要（原文）

Dropout-based sparse-view 3D Gaussian Splatting (3DGS) methods alleviate overfitting by randomly suppressing Gaussian primitives during training. Existing methods mainly focus on designing increasingly sophisticated dropout strategies, while they overlook the resulting inconsistencies among different dropped Gaussian subsets. This oversight often leads to unstable reconstruction and suboptimal Gaussian representation learning.In this paper, we revisit dropout-based sparse-view 3DGS from a consistency regularization perspective and propose PairDropGS, a Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splatting. Specifically, PairDropGS first constructs a pair of the dropped Gaussian subsets from a shared Gaussian field and designs a low-frequency consistency regularization to constrain their low-frequency rendered structures. This design encourages the shared Gaussian field to preserve stable scene layout and coarse geometry under different random dropouts, while avoiding excessive constraints on ambiguous high-frequency details. Moreover, we introduce a progressive consistency scheduling strategy to gradually strengthen the consistency regularization during training for stability and robustness of reconstruction. Extensive experiments on widely-used sparse-view benchmarks demonstrate that PairDropGS achieves superior training stability, significantly outperforms existing dropout-based 3DGS methods in reconstruction quality, while exhibiting the simplicity and plug-and-play nature for improving dropout-based optimization.