MR-Compare: A Mixed-Reality Framework for Spatially Grounded Visual Comparison of 3D Gaussian Splatting and Mesh Reconstructions with the Physical Environment

📄 arXiv: 2607.20325v1 📥 PDF

作者: Changrui Zhu, Ernst Kruijff, Pengju Zhang, Simon Julier

分类: cs.GR

发布日期: 2026-07-22

备注: 27 pages, 12 figures. Includes the full appendix

🔗 代码/项目: GITHUB

💡 一句话要点

提出MR-Compare框架以解决3D重建的视觉比较问题

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

关键词: 混合现实 3D重建 视觉比较 高斯点云 用户体验 注册精度 各向异性滤波

📋 核心要点

  1. 现有的3D重建方法在视觉比较时缺乏有效的空间基础支持，导致用户体验不佳。
  2. MR-Compare框架通过结合两阶段注册管道和3D滑块，实现了对3D高斯点云和网格重建的有效比较。
  3. 实验结果显示，MR-Compare在所有工作流中实现了厘米级的平移误差，且用户对其可用性和工作负荷感知较高。

📝 摘要（中文）

我们介绍了MR-Compare，一个混合现实框架，用于在物理环境中对3D高斯点云和网格重建进行空间基础的视觉比较。该框架在PC连接的Meta Quest 3上实现，结合了两阶段注册管道和3D滑块进行跨媒体比较。通过在两个静态室内环境中的真实世界基准和探索性用户研究（n=30），我们评估了五种代表性的桌面和移动重建工作流。MR-Compare在所有工作流中实现了厘米级的平移误差。两种桌面3DGS工作流表现出最强的整体模式，其中3DGS-MCMC具有最低的注册误差和最强的视觉一致性。我们进一步提出了一种各向异性滤波器，利用高斯各向异性来改善MR-Compare中的3DGS注册。

🔬 方法详解

问题定义：本论文旨在解决现有3D重建方法在视觉比较时缺乏空间基础支持的问题，导致用户在实际应用中的体验不足。

核心思路：MR-Compare框架通过引入混合现实技术，结合两阶段的注册管道和3D滑块，提供了一种新的跨媒体比较方式，以增强用户的视觉体验。

技术框架：该框架主要包括两个阶段的注册流程和一个3D滑块模块。第一阶段进行初步的空间对齐，第二阶段则优化注册精度，3D滑块用于在不同重建之间进行交互式比较。

关键创新：最重要的技术创新是引入了各向异性滤波器，这一零样本模块利用高斯各向异性来改善3DGS注册的效果，与现有方法相比，显著提高了注册的准确性和一致性。

关键设计：在设计中，采用了特定的参数设置和损失函数，以优化注册过程中的误差，同时在3DGS工作流中实现了对视觉一致性的强化。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，MR-Compare在所有评估的工作流中实现了厘米级的平移误差，特别是3DGS-MCMC工作流表现出最低的注册误差和最佳的视觉一致性，显示出该框架在实际应用中的有效性。

🎯 应用场景

MR-Compare框架在增强现实、虚拟现实以及机器人导航等领域具有广泛的应用潜力。通过提供高精度的3D重建比较工具，它可以帮助用户在设计、教育和工业等多个领域进行更有效的决策和分析。

📄 摘要（原文）

We introduce MR-Compare, a mixed reality framework for spatially grounded visual comparison between 3D Gaussian splatting and mesh reconstructions with live video see-through (VST). Implemented on a PC-tethered Meta Quest~3, it combines a two-stage registration pipeline with a 3D Slider for cross-media comparison. We evaluated five representative desktop and mobile reconstruction workflows through a real-world benchmark with an exploratory user study ($n=30$) in two static indoor rooms. MR-Compare achieved centimetre-level translation error across all workflows. The two desktop 3DGS workflows showed the strongest overall pattern, with 3DGS-MCMC yielding the lowest registration error and strongest VST-referenced visual consistency. Room-session measures indicated high perceived usability and low workload. We further propose an anisotropy filter, a zero-shot module that leverages Gaussian anisotropies to improve 3DGS registration in MR-Compare. A controlled Replica threshold sweep shows that moderate pruning can improve robustness and reduce residual errors. These results establish system-level feasibility in the tested setting rather than task-level effectiveness or standalone deployment. The project is available at https://github.com/changruizhu96/MR-Compare.