AtomGS mejora la representación de áreas con características finas y conserva detalles intrincados, superando a los métodos existentes en calidad de renderizado y velocidad de entrenamiento.
El 3D Gaussian Splatting (3DGS) evoluciona sustancialmente en la reconstrucción del campo radiante, dando capacidades superiores para la síntesis de vistas y la velocidad de renderizado en tiempo real.
No obstante, su estrategia de optimización de combinación y control de densidad adaptativa puede resultar en geometrías ruidosas y artefactos borrosos, debido a la priorización de gaussianos grandes sobre los más pequeños.
Para abordar esto, la Universidad del Sur de California presentó AtomGS, que consiste en la proliferación atomizada y la optimización guiada por geometría.
Proliferación atomizada
Al trabajar con puntos SfM de entrada, 3DGS alterna entre densificación y optimización para mejorar la representación de la escena.
En cambio, AtomGS restringe inicialmente los gaussianos que representan detalles finos a gaussianos atómicos, priorizando su proliferación para alinearse rápidamente con la geometría inherente de la escena.
La estrategia permite una mayor precisión en la representación de áreas con características detalladas.
Pérdida normal con reconocimiento de bordes
AtomGS calcula primero el mapa normal utilizando productos cruzados de gradientes de mapa de profundidad.
Luego, deriva el mapa de curvatura para mostrar los cambios en las normales de superficie, donde los valores más altos indican texturas rugosas y los valores más bajos superficies suaves.
Pese a ello, para evitar el suavizado excesivo de detalles como bordes afilados, se crea un mapa de bordes a partir de la magnitud de gradiente de la imagen RGB.
Lo que conserva las entidades detalladas y mantiene los detalles geométricos importantes, optimizando áreas clave sin pérdida de calidad.
Reconocimientos gracias a AtomGS
Los autores agradecen al Centro de Tecnología de Simulación y Entrenamiento del Ejército de los Estados Unidos (STTC), el Comando de Futuros del Ejército (AFC) y el Entorno de Entrenamiento Sintético (STE) por el apoyo a este estudio.
El trabajo cuenta con el respaldo del premio W911NF-14-D-0005 del Centro de Investigación Afiliado a la Universidad (UARC).
Dicho artículo es una adaptación de los trabajos Nerfies y Neuralangelo, agradeciendo a sus autores por sus contribuciones a la base de código abierto.
Con información de Universidad del Sur de California.
Más historias
Anthropic integra búsqueda web en Claude
Nvidia impulsa nueva ola de IA generativa empresarial
Avances de AMIE en el manejo de enfermedades