OC-GS: Gaussian Splatting for Irregular Turntable Capture
作者: Jae Joong Lee, Bedrich Benes
分类: cs.CV, cs.AI
发布日期: 2026-09-25
💡 一句话要点
提出OC-GS以解决不均匀转台捕获重建问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 高斯点云 3D重建 计算机视觉 不规则捕获 轨道一致性 图像优化 共享运动模型
📋 核心要点
- 现有转台重建方法在处理不均匀旋转和丢帧时，等角假设的可靠性受到挑战，导致重建效果不佳。
- OC-GS通过对象中心的高斯点云方法，优化每幅图像的角度，同时保持共享相机和旋转轴，实现轨道一致的重建。
- 实验结果表明，OC-GS在不同数量的不规则视图下均实现了优于基线方法的PSNR提升，尤其在共享训练器下效果显著。
📝 摘要（中文）
不均匀旋转和丢帧使得转台重建中的等角假设变得不可靠。本文提出OC-GS，一种面向对象的高斯点云方法，通过优化每幅图像的角度，同时保持共享相机、旋转轴和支点，实现了轨道一致的重建。该方法联合优化图像导出的几何形状和角度，从稀疏且不规则的捕获中重建物体。在12、8和6个不规则间隔视图的渲染对象上，OC-GS的前景PSNR均值分别为21.26、19.36和15.83dB，超越了四个评估的无姿态高斯点云基线。在共享训练器下，优化图像估计的角度使得前景PSNR均值提升了7.88dB。消融研究表明，图像导出的角度初始化和共享运动模型均对提升效果有贡献。在真实捕获数据上，OC-GS的优化使得前景PSNR均值提升了0.70dB，结果表明在共享运动模型下优化不确定角度能够改善稀疏不规则转台捕获的重建效果。
🔬 方法详解
问题定义：本文旨在解决不均匀转台捕获中因旋转不均和丢帧导致的重建不准确问题。现有方法依赖于等角假设，无法有效处理这些挑战。
核心思路：OC-GS通过优化每幅图像的角度，结合共享的相机和旋转轴，进行轨道一致的重建。这种设计使得重建过程能够更好地适应稀疏和不规则的视图数据。
技术框架：OC-GS的整体架构包括图像导出的几何形状优化和角度调整两个主要模块。首先，通过图像数据估计几何形状，然后在共享运动模型下优化角度，最终实现物体的重建。
关键创新：OC-GS的主要创新在于其轨道一致的优化策略，能够在共享运动模型下有效处理不确定的角度估计。这一方法与传统的高斯点云方法相比，显著提高了重建的准确性和鲁棒性。
关键设计：在参数设置上，OC-GS采用了特定的损失函数来平衡几何形状和角度的优化，同时使用共享运动模型来增强不同视图间的关联性。网络结构上，设计了适应性强的高斯点云生成模块，以提高重建质量。
🖼️ 关键图片
📊 实验亮点
OC-GS在不同数量的不规则视图下的实验结果显示，前景PSNR均值分别达到了21.26、19.36和15.83dB，超越了所有四个基线方法。在共享训练器下，优化图像估计的角度使得前景PSNR均值提升了7.88dB，显示出显著的性能提升。
🎯 应用场景
该研究在计算机视觉和图形学领域具有广泛的应用潜力，尤其是在3D重建、虚拟现实和增强现实等场景中。通过提高不规则捕获数据的重建质量，OC-GS能够为相关应用提供更高的准确性和真实感，推动相关技术的发展和应用。未来，该方法还可能扩展到其他类型的图像重建任务中。
📄 摘要（原文）
Uneven rotation and dropped frames make equal-angle assumptions unreliable for turntable reconstruction. We present OC-GS, an object-centric Gaussian splatting that refines each image's angle while maintaining a shared camera, rotation axis, and pivot. This orbit-consistent refinement jointly optimizes image-derived geometry and angles to reconstruct objects from sparse, irregular captures. On rendered objects with 12, 8, and 6 irregularly spaced views, OC-GS achieves mean foreground PSNR scores of 21.26, 19.36, and 15.83dB, respectively, exceeding all four evaluated pose-free Gaussian splatting baselines in each condition. Under a shared trainer, refining image-estimated angles improves mean foreground PSNR by 7.88dB over keeping those estimates fixed. An ablation study shows that both image-derived angle initialization and the shared motion model contribute to the improvement. On real captures, OC-GS's refinement increases mean foreground PSNR by 0.70dB. Results show that refining uncertain angles within a shared motion model improves reconstruction from sparse, irregular turntable captures.