Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropic Visibility Field

📄 arXiv: 2605.30342v1 📥 PDF

作者: Shangjie Xue, Jesse Dill, Dhruv Ahuja, Frank Dellaert, Panagiotis Tsiotras, Danfei Xu

分类: cs.CV, cs.RO

发布日期: 2026-05-28

备注: Accepted to CVPR 2026. Project page https://gatech-rl2.github.io/GAVIS/

💡 一句话要点

提出基于各向异性可见度场的3D高斯溅射主动建图方法，实现不确定性驱动。

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

关键词: 3D高斯溅射 主动建图 不确定性量化 各向异性可见度场 贝叶斯网络

📋 核心要点

  1. 现有3D高斯溅射方法在未见区域预测时存在不确定性，导致建图质量下降，缺乏有效的不确定性量化方法。
  2. 论文提出GAVIS框架，通过各向异性可见度场量化3D高斯溅射的不确定性，并结合贝叶斯网络实现实时不确定性感知渲染。
  3. 实验表明，GAVIS在准确性和效率上均优于现有方法，且可作为后处理模块提升现有方法的性能。

📝 摘要（中文）

本文提出了一种名为高斯溅射各向异性可见度场（GAVIS）的新框架，用于3D高斯溅射中的不确定性量化和主动建图。核心思想是，从训练视角未见过的区域会导致3D高斯溅射产生不可靠的预测。为了解决这个问题，本文提出了一种原则性且高效的方法来量化3D高斯溅射中的可见度场，该可见度场被定义为每个粒子相对于训练视角的各向异性可见度，并使用球谐函数表示。由此产生的可见度场被集成到基于贝叶斯网络的、具有不确定性感知能力的3D高斯溅射光栅化器中，从而能够对合成视图进行实时（200 FPS）的不确定性量化。在此基础上，在最大信息增益框架内进一步执行主动建图。在各种环境中的大量实验表明，GAVIS在准确性和效率方面始终显著优于现有方法。此外，除了独立使用之外，该方法还可以事后应用，以提高现有方法的性能。

🔬 方法详解

问题定义：现有3D高斯溅射方法在训练视角未覆盖的区域进行渲染时，预测结果的可靠性会显著降低，导致建图质量下降。缺乏有效的不确定性量化方法，难以指导主动探索和建图。

核心思路：论文的核心思路是利用各向异性可见度场来量化3D高斯溅射的不确定性。通过分析每个高斯粒子相对于训练视角的可见性，可以估计该粒子渲染结果的可靠程度。这种方法能够有效地识别未见区域，并指导主动建图过程。

技术框架：GAVIS框架主要包含以下几个模块：1) 各向异性可见度场估计模块：利用球谐函数对每个高斯粒子的可见度进行建模。2) 基于贝叶斯网络的不确定性感知渲染模块：将可见度信息融入到渲染过程中，从而量化渲染结果的不确定性。3) 基于最大信息增益的主动建图模块：利用不确定性信息指导相机运动，以最大化信息增益。

关键创新：该论文的关键创新在于提出了各向异性可见度场的概念，并将其用于量化3D高斯溅射的不确定性。与现有方法相比，该方法能够更准确地估计渲染结果的可靠性，并指导主动建图过程。此外，该方法具有实时性，可以应用于在线建图。

关键设计：各向异性可见度场使用球谐函数进行表示，可以有效地捕捉不同方向上的可见性变化。贝叶斯网络用于融合可见度信息和渲染结果，从而得到不确定性估计。主动建图过程中，采用最大信息增益策略来选择下一个相机位姿。

📊 实验亮点

实验结果表明，GAVIS在多个数据集上均取得了显著的性能提升。在准确性和效率方面，GAVIS始终优于现有方法。例如，在主动建图任务中，GAVIS能够更快地构建出更完整的地图。此外，GAVIS还可以作为后处理模块，提高现有3D高斯溅射方法的渲染质量。

🎯 应用场景

该研究成果可应用于机器人自主探索、三维重建、虚拟现实等领域。通过量化建图过程中的不确定性，可以提高建图的精度和效率，并为机器人提供更可靠的环境感知信息。此外，该方法还可以用于改善现有三维重建算法的性能。

📄 摘要（原文）

We present Gaussian Splatting Anisotropic Visibility Field (GAVIS), a novel framework for uncertainty quantification and active mapping in 3DGS. Our key insight is that regions unseen from the training views yield unreliable predictions from the 3DGS. To address this, we introduce a principled and efficient method for quantifying the visibility field in 3DGS, defined as the anisotropic visibility of each particle with respect to the training views, and represented using spherical harmonics. The resulting visibility field is integrated into a Bayesian Network-based uncertainty-aware 3DGS rasterizer, enabling real-time (200 FPS) uncertainty quantification for synthesized views. Active mapping is further performed within a maximum information gain framework building on this formulation. Extensive experiments across diverse environments demonstrate that GAVIS consistently and significantly outperforms prior approaches in both accuracy and efficiency. Moreover, beyond standalone use, our method can be applied post-hoc to improve the performance of existing approaches.