UGOD: Uncertainty-Guided Opacity and Dropout for Sparse-View 3D Gaussian Splatting

📄 arXiv: 2609.39089v1 📥 PDF

作者: Zhihao Guo, Peng Wang, Zidong Chen, Xiangyu Kong, Yan Lyu, Guanyu Gao, Chenghao Qian, Ziyang Wang, Xinqi Fan, Liangxiu Han

分类: cs.CV

发布日期: 2026-09-30

备注: 31 pages, 5 figures, 10 tables. Supplementary material included at the end of the manuscript

💡 一句话要点

提出UGOD框架以解决稀疏视图3D高斯渲染中的不确定性问题

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

关键词: 稀疏视图重建 高斯渲染 不确定性估计 计算机视觉 新视图合成

📋 核心要点

  1. 现有的稀疏视图3D高斯渲染方法容易因观察数据不足而导致过拟合，影响新视图合成的质量。
  2. UGOD框架通过估计每个高斯的不确定性分数，调节其在渲染中的贡献，从而提高合成效果。
  3. 在Mip-NeRF~360和LLFF数据集上的实验表明，UGOD显著提升了稀疏视图合成的效果，并生成了更紧凑的高斯表示。

📝 摘要（中文）

稀疏视图3D高斯渲染容易因观察数据有限而导致过拟合，许多高斯原语的约束较弱，仍通过alpha混合累积其贡献。缺乏不确定性估计，渲染器无法区分不可靠的原语和约束良好的原语，从而导致错误贡献影响新视图合成。本文提出UGOD，一个不确定性引导框架，为每个高斯估计视图依赖的不确定性分数，并利用该分数调节其渲染贡献。通过轻量级的不确定性头，基于高斯属性和视角预测该分数，驱动可微的透明度调节机制，减弱高不确定性原语的贡献。训练过程中，独立的软dropout分支应用不确定性控制的连续保持掩码，减少模型对约束不良高斯的依赖，从而降低过拟合。实验结果表明，UGOD在稀疏视图新视图合成中表现优越，且生成的高斯表示更为紧凑。

🔬 方法详解

问题定义：本文旨在解决稀疏视图3D高斯渲染中因观察数据有限导致的过拟合问题。现有方法在缺乏不确定性估计的情况下，无法有效区分可靠和不可靠的高斯原语，导致错误贡献影响新视图合成。

核心思路：UGOD框架的核心思想是通过估计每个高斯的视图依赖不确定性分数，来调节其在渲染中的贡献。通过这种方式，能够有效抑制高不确定性原语的影响，从而提高合成质量。

技术框架：UGOD的整体架构包括一个轻量级的不确定性头，基于高斯属性和视角预测不确定性分数，并驱动一个可微的透明度调节机制。此外，训练过程中引入了一个独立的软dropout分支，以控制不确定性并减少对约束不良高斯的依赖。

关键创新：UGOD的主要创新在于引入了不确定性引导机制，通过调节高斯的渲染贡献，显著降低了过拟合风险。这一方法与传统的高斯渲染方法相比，能够更有效地处理不确定性问题。

关键设计：在设计上，UGOD采用了轻量级的不确定性头，结合高斯的属性和视角信息来预测不确定性分数。同时，使用了可微的透明度调节机制和独立的软dropout分支，以确保不确定性控制的有效性和模型的稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

UGOD在Mip-NeRF~360和LLFF数据集上的实验结果显示，相较于现有方法，UGOD在稀疏视图新视图合成中显著提升了效果，生成的高斯表示更加紧凑，具体性能数据未提供，但提升幅度明显。

🎯 应用场景

UGOD框架在计算机视觉领域的稀疏视图重建中具有广泛的应用潜力，尤其是在虚拟现实、增强现实和三维重建等场景中。通过提高新视图合成的质量，UGOD能够为用户提供更真实的视觉体验，推动相关技术的发展和应用。未来，该方法可能会影响更多领域的研究，如自动驾驶、机器人视觉等。

📄 摘要（原文）

Sparse-view 3D Gaussian Splatting is prone to overfitting because limited observations leave many Gaussian primitives weakly constrained, yet their contributions are still accumulated through alpha blending. Without uncertainty estimation, the renderer cannot distinguish unreliable primitives from well-constrained ones, allowing their erroneous contributions to corrupt novel-view synthesis. We introduce UGOD, an uncertainty-guided framework that estimates a view-dependent uncertainty score for each Gaussian and uses it to regulate its rendering contribution. A lightweight uncertainty head conditioned on Gaussian attributes and viewing direction predicts this score, which then drives a differentiable opacity-modulation mechanism that attenuates high-uncertainty primitives before compositing. During training, a detached soft-dropout branch applies an uncertainty-controlled continuous keep mask to discourage the model from relying on poorly constrained Gaussians and thereby reduce overfitting. Crucially, detaching the uncertainty score prevents gradients from this stochastic regulariser from biasing or collapsing the uncertainty prediction. Experiments on Mip-NeRF~360 and LLFF show that UGOD improves sparse-view novel-view synthesis while producing more compact Gaussian representations than the compared methods. These results demonstrate that Gaussian uncertainty provides an effective rendering-time control for sparse-view reconstruction.