CrossFit-GS: Out-of-Fold Pose Estimation for COLMAP-Free 3D Gaussian Splatting

📄 arXiv: 2610.28190v1 📥 PDF

作者: Zijian Wu, Jinliang Wang, Mingfeng Jiang, Zidian Lin, Ying Song, Ziqian Lu

分类: cs.CV

发布日期: 2026-10-20

💡 一句话要点

提出CrossFit-GS以解决3D姿态估计中的轨迹漂移问题

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

关键词: 3D重建 姿态估计 计算机视觉 机器人技术 虚拟现实 增强现实

📋 核心要点

  1. 现有的3D姿态估计方法在处理未标定图像序列时，容易出现累积轨迹漂移和失真地图误差传播的问题。
  2. CrossFit-GS通过引入延迟承诺的渐进框架，利用交叉精炼机制和互补子地图来提高姿态估计的准确性。
  3. 实验结果显示，CrossFit-GS在多个基准测试中显著减少了轨迹漂移，并在相机姿态估计和新视图合成方面表现优异。

📝 摘要（中文）

Pose-free 3D Gaussian Splatting (3DGS)旨在通过直接从未标定的图像序列重建场景，绕过繁琐的运动结构重建(SfM)过程。本文提出了CrossFit-GS，一个延迟承诺的渐进框架，旨在减轻累积轨迹漂移，并打破失真地图误差传播的自我强化循环。具体而言，我们将输入序列划分为交错的子集，并维护两个互补的子地图。每个候选姿态都与一个从未使用目标帧优化的冻结对立子地图进行交叉精炼，从而为姿态估计提供独立的几何参考。通过棋盘验证和空间覆盖保护，进一步拒绝不可靠的更新，只有经过验证的姿态才会被提交到相应的拥有子地图中。经过轨迹精炼后，中间子地图被丢弃，最终的全局表示将基于固定的精炼姿态从头开始训练。多项基准测试的广泛评估表明，CrossFit-GS显著减少了累积轨迹漂移，并在相机姿态估计和新视图合成方面持续优于现有方法。

🔬 方法详解

问题定义：论文要解决的是在未标定图像序列中进行3D姿态估计时，现有方法面临的累积轨迹漂移和失真地图误差传播的问题。这些问题导致了重建结果的不准确性和不稳定性。

核心思路：论文提出的核心思路是通过引入延迟承诺的渐进框架，利用交叉精炼机制和互补子地图来提供独立的几何参考，从而提高姿态估计的准确性和稳定性。

技术框架：整体架构包括将输入序列划分为交错的子集，维护两个互补的子地图。每个候选姿态通过与一个冻结的对立子地图进行交叉精炼来进行优化，确保姿态估计的独立性和准确性。

关键创新：最重要的技术创新点在于引入了交叉精炼机制和互补子地图的设计，这与现有方法的自我强化循环形成了本质区别，显著降低了轨迹漂移的影响。

关键设计：在设计中，采用了棋盘验证和空间覆盖保护来拒绝不可靠的更新，确保只有经过验证的姿态被提交到相应的子地图中。此外，最终的全局表示是基于固定的精炼姿态从头开始训练的。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CrossFit-GS在多个基准测试中显著减少了累积轨迹漂移，提升幅度达到XX%（具体数据未知），并在相机姿态估计和新视图合成方面的性能均优于现有方法，展示了其在实际应用中的有效性和优势。

🎯 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、虚拟现实和增强现实等场景中。通过提高3D重建的准确性和稳定性，CrossFit-GS能够为这些应用提供更可靠的基础，推动相关技术的发展和应用。未来，该方法可能会影响更多需要高精度3D重建的领域。

📄 摘要（原文）

Pose-free 3D Gaussian Splatting (3DGS) aims to bypass cumbersome Structure-from-Motion (SfM) by directly reconstructing scenes from unposed image sequences. In this work, we present CrossFit-GS, a deferred-commitment progressive framework that mitigates cumulative trajectory drift and breaks the self-reinforcing loop of distorted-map error propagation. Specifically, we partition the input sequence into interleaved subsets and maintain two complementary submaps. Each candidate pose is cross-refined against a frozen opposite submap that has never been optimized using the target frame, thereby providing an independent geometric reference for pose estimation. Checkerboard validation and spatial coverage safeguards further reject unreliable updates, and only verified poses are committed to their corresponding owner submap. Once the trajectory has been refined, the intermediate submaps are discarded and the final global representation is trained from scratch using the fixed refined poses. Extensive evaluations across multiple benchmarks demonstrate that CrossFit-GS substantially reduces cumulative trajectory drift and consistently improves both camera pose estimation and novel-view synthesis over existing methods.