LiTe-GS: Oracle-Efficient Next Best View Selection for 3D Gaussian Splatting

📄 arXiv: 2609.30393v1 📥 PDF

作者: Vivek Pandey, Amirhossein Mollaei Khass, Nader Motee

分类: cs.CV, cs.RO

发布日期: 2026-09-24

💡 一句话要点

提出LiTe-GS以解决3D高斯点云视角选择效率问题

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

关键词: 3D重建 高斯点云 视角选择 信息增益 计算机视觉 机器学习 自适应优化

📋 核心要点

  1. 现有的信息驱动视角选择方法在候选视角数量增加时，评估成本显著上升，导致效率低下。
  2. LiTe-GS通过随机子集评估候选视角，减少了信息oracle的评估次数，从而提高了选择效率。
  3. 实验结果显示，LiTe-GS在重建质量上与Fisher信息基线方法相当，但大幅减少了oracle评估次数。

📝 摘要（中文）

选择信息丰富的相机视角对于3D高斯点云的高效训练和自适应优化至关重要。然而，现有的信息驱动视角选择策略在候选视角数量增加时，往往需要多次评估昂贵的信息增益oracle。为此，本文提出了一种名为LiTe-GS的oracle高效下一最佳视角选择方法。该方法通过对候选视角进行随机子集评估，显著减少了信息oracle的评估次数，达到了期望的O(Mlog(1/ε))的oracle复杂度，同时在oracle效率与近似质量之间提供了明确的权衡。实验结果表明，LiTe-GS在重建质量上与基于Fisher信息的基线方法相当，同时在不同获取设置下显著减少了Fisher oracle的评估次数。

🔬 方法详解

问题定义：本文旨在解决在3D高斯点云中选择下一最佳视角时，现有方法在候选视角数量增加时导致的高昂评估成本问题。现有方法通常需要多次评估信息增益oracle，效率低下。

核心思路：LiTe-GS的核心思路是通过随机子集评估候选视角，避免了对完整候选池的穷举评分，从而显著降低了信息oracle的评估次数。该方法在保持重建质量的同时，提高了选择效率。

技术框架：LiTe-GS的整体架构包括候选视角生成、随机子集选择和信息增益评估三个主要模块。首先生成多个候选视角，然后随机选择子集进行评估，最后根据评估结果选择最佳视角。

关键创新：LiTe-GS的主要创新在于其oracle高效性，通过随机子集评估而非穷举评估，达到了O(Mlog(1/ε))的oracle复杂度。这一设计显著提高了视角选择的效率，尤其在候选视角数量较大时。

关键设计：在参数设置上，LiTe-GS通过调整ε来控制oracle效率与近似质量之间的权衡。此外，损失函数设计考虑了信息增益的有效性，以确保选择的视角能够最大化模型的训练效果。整体网络结构则围绕高效评估和选择展开。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LiTe-GS在重建质量上与Fisher信息基线方法相当，但在不同获取设置下，Fisher oracle的评估次数减少了显著的比例，展示了其在oracle效率上的优势。

🎯 应用场景

LiTe-GS在3D重建、计算机视觉和机器人导航等领域具有广泛的应用潜力。通过提高视角选择的效率，该方法能够加速模型训练过程，提升系统的自适应能力，进而在实际应用中实现更高的性能和效率。

📄 摘要（原文）

Selecting informative camera views is critical for efficient training and adaptive refinement in 3D Gaussian Splatting, where each observation significantly influences model parameters. However, information-driven view-selection strategies can require repeated evaluations of expensive information-gain oracles as the number of candidate views increases. We propose LiTe-GS, an oracle-efficient method for next best view selection in 3D Gaussian Splatting. LiTe-GS reduces the number of information-oracle evaluations by performing randomized subset evaluation of candidate views rather than exhaustively scoring the full candidate pool. The resulting approach achieves expected $O(M\log(1/ε))$ oracle complexity with respect to the number of candidate views $M$, independent of the selection cardinality $K$, while providing an explicit trade-off between oracle efficiency and approximation quality through $ε$. We provide theoretical guarantees on oracle complexity and approximation performance under the proposed selection scheme. Experiments on Blender and Mip-NeRF 360 demonstrate that LiTe-GS maintains reconstruction quality comparable to Fisher-information-based baselines while substantially reducing the number of Fisher-oracle evaluations across different acquisition settings.