Gauss What You Need: Compact Gaussian Splatting Across Scene Scales

📄 arXiv: 2609.31248v1 📥 PDF

作者: Afif Boudaoud, Jiayi Liu, Alexandru Calotoiu, Torsten Hoefler

分类: cs.CV

发布日期: 2026-09-25

💡 一句话要点

提出TangoGS以解决3D高斯点云重建的规模适应问题

🎯 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 模型自适应 计算机视觉 虚拟现实 增强现实

📋 核心要点

  1. 现有的3D高斯点云重建方法在处理大规模捕捉场景时，往往无法有效选择高斯原语的数量，导致细节丢失。
  2. 本文提出的TangoGS方法通过捕捉数据确定模型规模，并利用训练反馈动态调整高斯数量，解决了规模适应性问题。
  3. 实验结果表明，TangoGS在多个基准场景上表现优异，显著减少了高斯数量，同时提升了重建质量。

📝 摘要（中文）

3D高斯点云重建通过一组姿态照片将场景重建为高斯原语的集合。现有方法在选择高斯原语数量时存在不足，尤其在大规模捕捉场景中，可能导致细节重建不足。为此，本文提出了TangoGS方法，结合捕捉数据的模型规模与训练反馈进行自适应调整。TangoGS在13个标准基准场景上，使用的高斯数量比最佳基线LeGS少48%，同时在8个大规模捕捉场景中，自动扩展模型规模，获得了最高的重建质量，平均PSNR比次优方法高出0.54 dB。

🔬 方法详解

问题定义：本文旨在解决3D高斯点云重建中高斯原语数量选择的问题。现有方法在标准基准上表现良好，但在大规模场景中往往无法有效重建细节，导致重建质量下降。

核心思路：TangoGS方法结合了捕捉数据的模型规模与训练过程中的反馈，允许模型在训练前根据捕捉的总像素数进行初步规模设定，并在训练过程中根据重建质量动态调整高斯数量。

技术框架：TangoGS的整体流程包括两个主要阶段：第一阶段是根据捕捉数据计算学习允许值，第二阶段是在训练过程中根据重建质量指导高斯的添加与移除。

关键创新：TangoGS的创新在于将捕捉数据的规模信息与训练反馈结合，形成了一种新的自适应模型规模调整机制。这种方法与现有方法的根本区别在于不需要重新调参即可适应不同规模的场景。

关键设计：在模型设计中，TangoGS通过剔除重复观察的场景点来计算总像素数，并在训练过程中使用重建质量作为指导，决定高斯的增减。这种设计确保了模型在不同场景下均能保持高效的重建性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在实验中，TangoGS在13个标准基准场景上实现了与最佳基线LeGS相同的平均PSNR，但使用的高斯数量减少了48%。在8个大规模捕捉场景中，TangoGS能够自动扩展模型规模，获得了比次优方法高出0.54 dB的平均PSNR，显示出其在处理大规模场景时的优势。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、增强现实以及计算机图形学等领域，能够为3D场景重建提供更高效的解决方案。通过优化高斯点云的使用，TangoGS可以在资源受限的环境中实现高质量的场景重建，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

3D Gaussian Splatting reconstructs a scene as a collection of Gaussian primitives from a set of posed photographs called the capture. The number of primitives used to represent the scene affects reconstruction quality, storage, and rendering cost. How to select this number automatically across capture scales remains unresolved: configurations effective on standard benchmarks can leave larger captures with too few Gaussians to reconstruct fine details. We observe that the surface to represent, given by the capture's extent and resolution, is known before training, whereas its content complexity becomes apparent during training, through the reconstruction quality on the training views. We introduce TangoGS, which combines capture-derived model sizing with training-based adaptation: the capture determines the scale of the model, and training feedback determines its final size within that scale. Before training, TangoGS derives a learning allowance for model growth from the capture's total pixels after discounting views that re-observe the same scene points. During training, reconstruction quality guides how many Gaussians to add and remove. On 13 standard benchmark scenes, TangoGS matches the mean PSNR of the best-performing evaluated baseline, LeGS, with $48\%$ fewer Gaussians. On eight large captures, the same configuration automatically scales to larger models when necessary, achieving the highest mean PSNR among evaluated methods: $0.54$ dB above the runner-up with $2.3\times$ as many Gaussians. Together, capture-derived learning allowances and training-quality guided density control enable a state-of-the-art quality--size compromise across scene scales without retuning.