3D Skew-Normal Splatting

📄 arXiv: 2605.15010v1 📥 PDF

作者: Xiangru Wu, Ke Fan, Yanwei Fu

分类: cs.CV

发布日期: 2026-05-14

💡 一句话要点

提出Skew-Normal Splatting，通过可学习偏度参数提升3D高斯溅射在非对称结构建模上的紧凑性和精度。

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

关键词: 3D高斯溅射 新视角合成 Skew-Normal分布 非对称结构建模 实时渲染

📋 核心要点

  1. 3D高斯溅射在非对称结构建模时，由于高斯基元的对称性，表示紧凑性受限，尤其是在对象边界和单侧表面附近。
  2. 提出Skew-Normal Splatting (SNS)，采用Skew-Normal分布作为基元，通过可学习的偏度参数，实现对称高斯和半高斯形状之间的连续插值。
  3. 实验表明，SNS在重建质量上始终优于高斯和其他非高斯核，尤其是在尖锐边界和薄或单侧结构上，提升明显。

📝 摘要（中文）

3D高斯溅射(3DGS)已成为实时新视角合成的主流表示方法，并被广泛应用于各种下游应用。3DGS的核心优势在于其高效的基于核的场景表示，其中高斯基元提供了良好的数学和计算特性。然而，在有限的基元预算下，每个基元的对称形状直接影响表示的紧凑性，尤其是在对象边界和单侧表面等非对称结构附近。最近的工作探索了更复杂的核分布，但它们要么停留在椭圆族内，要么依赖于硬截断，这限制了连续的形状控制并引入了分布不连续性。在本文中，我们提出了Skew-Normal Splatting (SNS)，它采用Azzalini Skew-Normal分布作为基本基元。通过引入可学习且有界的偏度参数，SNS可以在对称高斯和半高斯形状之间连续插值，从而能够灵活地建模尖锐边界和内部区域。此外，SNS保留了仿射变换和边缘化下的解析可处理性。此属性允许无缝集成到现有的高斯溅射光栅化管道中。此外，为了解决尺度、旋转和偏度参数之间的强耦合，我们引入了解耦参数化和分块优化策略，以提高训练稳定性和准确性。在标准新视角合成基准上的大量实验表明，SNS始终优于高斯和最近的非高斯核，尤其是在尖锐边界和薄或单侧结构上。

🔬 方法详解

问题定义：现有3D高斯溅射方法在表示非对称结构（如物体边界、单侧表面）时，由于高斯基元固有的对称性，导致表示效率较低，需要更多的基元才能达到相同的重建质量。此外，一些尝试使用更复杂核分布的方法，要么局限于椭圆族，要么采用硬截断，无法实现连续的形状控制，并可能引入分布不连续性。

核心思路：本文的核心思路是使用Skew-Normal分布代替传统的高斯分布作为3DGS的基本基元。Skew-Normal分布具有偏度参数，可以灵活地调整基元的形状，使其能够更好地适应非对称结构，从而提高表示的紧凑性和准确性。通过学习这个偏度参数，可以实现对称高斯和半高斯形状之间的平滑过渡。

技术框架：SNS方法可以无缝集成到现有的3DGS光栅化流程中。整体流程包括：1) 初始化一组3D Skew-Normal基元；2) 使用可微分的光栅化方法将这些基元投影到图像平面上；3) 计算渲染图像与目标图像之间的损失；4) 使用梯度下降法优化基元的参数，包括位置、尺度、旋转、颜色和偏度。为了提高训练的稳定性和准确性，引入了解耦参数化和分块优化策略。

关键创新：最重要的创新点在于使用Skew-Normal分布作为3DGS的基本基元，并引入可学习的偏度参数。这使得基元能够自适应地调整形状，更好地拟合非对称结构。与现有方法相比，SNS能够实现更连续的形状控制，避免了硬截断带来的分布不连续性。

关键设计：为了解决尺度、旋转和偏度参数之间的强耦合问题，论文引入了解耦参数化，将这些参数分别进行优化。此外，还采用了分块优化策略，将参数分成不同的块，并交替优化这些块，以提高训练的稳定性和收敛速度。偏度参数被限制在一个有界的范围内，以避免训练过程中的数值不稳定。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SNS在标准新视角合成基准上 consistently 优于传统的高斯溅射方法以及其他非高斯核方法。尤其是在尖锐边界和薄或单侧结构上，SNS的重建质量提升更为明显。定量指标显示，SNS在PSNR、SSIM等指标上均有显著提升，证明了其在表示非对称结构方面的优势。

🎯 应用场景

Skew-Normal Splatting在实时新视角合成、三维重建、虚拟现实/增强现实等领域具有广泛的应用前景。它可以用于创建更逼真、更紧凑的3D场景表示，尤其是在需要精确建模非对称结构的场景中，例如城市建模、人体建模等。该方法还可以应用于机器人导航、自动驾驶等领域，提高环境感知的准确性和效率。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has emerged as a leading representation for real-time novel view synthesis and been widely adopted in various downstream applications. The core strength of 3DGS lies in its efficient kernel-based scene representation, where Gaussian primitives provide favorable mathematical and computational properties. However, under a finite primitive budget, the symmetric shape of each primitive directly affects representation compactness, especially near asymmetric structures such as object boundaries and one-sided surfaces. Recent works have explored more complex kernel distributions, yet they either remain within the elliptical family or rely on hard truncation, which limits continuous shape control and introduces distributional discontinuities. In this paper, we propose Skew-Normal Splatting (SNS), which adopts the Azzalini Skew-Normal distribution as the fundamental primitive. By introducing a learnable and bounded skewness parameter, SNS can continuously interpolate between symmetric Gaussians and Half-Gaussian-like shapes, enabling flexible modeling of both sharp boundaries and interior regions. Moremover, SNS preserves analytical tractability under affine transformations and marginalization. This property allows seamless integration into existing Gaussian Splatting rasterization pipelines.Furthermore, to address the strong coupling between scale, rotation, and skewness parameters, we introduce a decoupled parameterization and a block-wise optimization strategy to enhance training stability and accuracy. Extensive experiments on standard novel-view synthesis benchmarks show that SNS consistently improves reconstruction quality over Gaussian and recent non-Gaussian kernels, with clearer benefits on sharp boundaries and thin or one-sided structures.