ActiveSplat: High-Fidelity Scene Reconstruction through Active Gaussian Splatting

📄 arXiv: 2410.21955v2 📥 PDF

作者: Yuetao Li, Zijia Kuang, Ting Li, Qun Hao, Zike Yan, Guyue Zhou, Shaohui Zhang

分类: cs.RO, cs.CV

发布日期: 2024-10-29 (更新: 2025-06-16)

备注: Accepted to IEEE RA-L. Code: https://github.com/Li-Yuetao/ActiveSplat, Project: https://li-yuetao.github.io/ActiveSplat/

DOI: 10.1109/LRA.2025.3580331

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

ActiveSplat：通过主动高斯溅射实现高保真场景重建

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

关键词: 高斯溅射 场景重建 主动探索 视点选择 路径规划

📋 核心要点

  1. 现有场景重建方法在效率和真实感之间存在权衡，难以实现快速、高质量的重建。
  2. ActiveSplat提出了一种混合地图表示，结合了稠密环境信息和稀疏工作空间抽象，用于高效的视点选择和路径规划。
  3. 实验结果表明，ActiveSplat在重建精度、数据覆盖率和探索效率方面均表现出色，能够实现照片级真实感的视图合成。

📝 摘要（中文）

本文提出ActiveSplat，一个利用高斯溅射的自主高保真重建系统。该系统利用高效且逼真的渲染，建立了一个统一的在线建图、视点选择和路径规划框架。ActiveSplat的关键在于一种混合地图表示，它集成了关于环境的稠密信息和工作空间的稀疏抽象。因此，该系统利用稀疏拓扑进行高效的视点采样和路径规划，同时利用依赖于视角的稠密预测进行视点选择，从而以有希望的准确性和完整性促进高效的决策。采用基于拓扑地图的分层规划策略来缓解重复轨迹，并在有限的时间预算内提高局部粒度，从而确保具有照片般逼真视图合成的高保真重建。大量的实验和消融研究验证了所提出的方法在重建精度、数据覆盖率和探索效率方面的有效性。代码已开源。

🔬 方法详解

问题定义：现有的场景重建方法通常需要在重建质量和效率之间进行权衡。例如，基于体素的方法计算成本高昂，而基于神经辐射场（NeRF）的方法虽然渲染质量高，但训练时间长，难以进行在线重建。此外，如何自主地选择最佳视点进行探索，以最大程度地提高重建质量和完整性，也是一个重要的挑战。

核心思路：ActiveSplat的核心思路是利用高斯溅射（Gaussian Splatting）的高效渲染能力，并结合混合地图表示，实现快速、高质量的在线场景重建。通过稀疏拓扑地图进行全局路径规划和视点采样，利用依赖于视角的稠密预测进行局部视点选择，从而在保证重建质量的同时，提高探索效率。

技术框架：ActiveSplat系统包含以下主要模块：1) 在线建图：利用高斯溅射进行场景的稠密重建。2) 稀疏拓扑地图构建：构建场景的稀疏拓扑表示，用于全局路径规划。3) 视点采样：基于拓扑地图进行视点采样，生成候选视点。4) 视点选择：利用依赖于视角的稠密预测，评估候选视点的质量，选择最佳视点。5) 路径规划：基于拓扑地图规划从当前位置到最佳视点的路径。6) 分层规划：采用分层规划策略，缓解重复轨迹，提高局部探索的粒度。

关键创新：ActiveSplat的关键创新在于其混合地图表示和视点选择策略。混合地图表示结合了稠密环境信息和稀疏工作空间抽象，既保证了重建质量，又提高了探索效率。视点选择策略利用依赖于视角的稠密预测，能够更准确地评估视点的质量，从而选择最佳视点。

关键设计：ActiveSplat采用了一种分层规划策略，包括全局规划和局部规划。全局规划基于拓扑地图，规划从当前位置到目标区域的粗略路径。局部规划在全局路径的基础上，进行更精细的路径调整，以避免障碍物和提高探索效率。此外，ActiveSplat还设计了一种视点质量评估函数，用于评估候选视点的质量，该函数综合考虑了视点的可见性、信息增益等因素。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ActiveSplat在重建精度、数据覆盖率和探索效率方面均优于现有方法。例如，在模拟环境中，ActiveSplat能够以更高的精度重建场景，并覆盖更大的区域。此外，ActiveSplat的探索效率也更高，能够在更短的时间内完成场景重建。消融实验验证了混合地图表示和视点选择策略的有效性。

🎯 应用场景

ActiveSplat可应用于机器人自主探索、三维地图构建、虚拟现实、增强现实等领域。例如，可以用于机器人自主导航，使其能够在未知环境中快速构建地图并进行路径规划。此外，还可以用于创建逼真的虚拟环境，为用户提供沉浸式的体验。该研究的成果有助于推动机器人和计算机视觉技术的发展。

📄 摘要（原文）

We propose ActiveSplat, an autonomous high-fidelity reconstruction system leveraging Gaussian splatting. Taking advantage of efficient and realistic rendering, the system establishes a unified framework for online mapping, viewpoint selection, and path planning. The key to ActiveSplat is a hybrid map representation that integrates both dense information about the environment and a sparse abstraction of the workspace. Therefore, the system leverages sparse topology for efficient viewpoint sampling and path planning, while exploiting view-dependent dense prediction for viewpoint selection, facilitating efficient decision-making with promising accuracy and completeness. A hierarchical planning strategy based on the topological map is adopted to mitigate repetitive trajectories and improve local granularity given limited time budgets, ensuring high-fidelity reconstruction with photorealistic view synthesis. Extensive experiments and ablation studies validate the efficacy of the proposed method in terms of reconstruction accuracy, data coverage, and exploration efficiency. The released code will be available on our project page: https://li-yuetao.github.io/ActiveSplat/.