MaRO-GS: Mask-Robust Object-Centric Gaussian Splatting from Inconsistent Multi-view Masks
作者: Eunji Kim, Gahyeon Kim, Gianella Cravioto, Dong-hun Lee, Chaewon Moon, Chae-yeong Song, Sang-hyo Park
分类: cs.CV
发布日期: 2026-10-05
备注: Accepted to ACCV 2026. Project page: https://eunjikim02.github.io/marogs/
💡 一句话要点
提出MaRO-GS以解决多视角不一致掩码下的3D重建问题
🎯 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 多视角图像 物体掩码 计算机视觉 深度学习 鲁棒性 优化算法
📋 核心要点
- 现有的3D重建方法通常重建整个场景，导致计算开销大且不够高效。
- MaRO-GS框架直接优化目标物体的高斯，利用物体掩码的多视角图像，增强了对不一致监督的鲁棒性。
- 在不同数据集上的实验表明，MaRO-GS在PSNR和分割精度上都有显著提升，尤其在小物体数据集上提升达2.05 dB。
📝 摘要（中文）
我们解决了在高斯点云重建中，从多视角图像准确重建3D物体的挑战。现有的物体级3D重建方法通常重建整个场景，而非直接优化目标物体，导致计算开销大。此外，现有方法依赖于2D分割掩码来关联高斯与物体，但这些掩码在不同视角间往往不一致，影响高斯优化并降低重建精度。为此，我们提出了MaRO-GS，一个直接从物体掩码的多视角图像中优化目标物体高斯的3D重建框架，能够有效应对不一致的监督。通过视角过滤排除不可靠视角，结合物体支持的高斯密度控制和轮廓对齐的物体损失，MaRO-GS在多个数据集上展现出显著的PSNR和分割精度提升。
🔬 方法详解
问题定义：论文旨在解决从多视角图像中进行3D物体重建时，由于2D分割掩码不一致导致的高斯优化问题。现有方法重建整个场景而非目标物体，造成计算效率低下。
核心思路：MaRO-GS框架通过直接优化目标物体的高斯，利用物体掩码的多视角图像，增强了对不一致监督的鲁棒性，避免了背景干扰。
技术框架：该框架包括多个模块：首先进行视角过滤，排除不可靠视角；然后通过物体支持的高斯密度控制来抑制与目标物体无关的高斯；最后，使用轮廓对齐的物体损失函数来保持优化的聚焦。
关键创新：最重要的创新在于提出了物体支持的高斯密度控制和轮廓对齐的物体损失，这些设计使得框架能够有效处理不一致的监督信息，显著提升重建精度。
关键设计：在损失函数设计上，结合了物体掩码的可靠性视角过滤和高斯密度控制，确保优化过程专注于目标物体，避免背景干扰。
🖼️ 关键图片
📊 实验亮点
实验结果显示，MaRO-GS在多个数据集上均表现优异，尤其在小物体的LERF-Mask数据集上，PSNR提升达2.05 dB，显著优于现有基线方法，且在分割精度和计算效率上也有明显改善。
🎯 应用场景
该研究在计算机视觉和机器人领域具有广泛的应用潜力，尤其是在自动驾驶、增强现实和虚拟现实等场景中，能够提高3D重建的精度和效率。未来，MaRO-GS可能推动更复杂场景的实时重建技术发展。
📄 摘要（原文）
We address the challenge of accurate 3D object reconstruction from multi-view images in Gaussian Splatting. Existing object-level 3DGS methods reconstruct the entire scene rather than directly optimizing the target object, even when only the target object is needed, which incurs substantial computational overhead. They also rely on 2D segmentation masks to associate Gaussians with objects, but these masks are often inconsistent across views. Such inconsistencies corrupt Gaussian optimization and produce incorrectly supervised Gaussians that degrade object reconstruction fidelity. To overcome these limitations, we propose MaRO-GS, a 3DGS framework that directly optimizes target-object Gaussians from object-masked multi-view images and remains robust to inconsistent supervision. For reliable supervision, mask-reliability view filtering excludes unreliable views. Object-supported Gaussian density control suppresses Gaussians irrelevant to the target object and prevents background densification, while Silhouette-aligned Object Loss maintains object-focused optimization. Extensive experiments across diverse datasets demonstrate that MaRO-GS improves PSNR, segmentation accuracy, and computational efficiency, with the largest PSNR gain of 2.05 dB on the small-object LERF-Mask dataset.