2DGS-Room: Splatting Gaussiano 2D guidato dal seme con vincoli geometrici per la ricostruzione ad alta fedeltà di scene interne

2DGS-Room: Seed-Guided 2D Gaussian Splatting with Geometric Constrains for High-Fidelity Indoor Scene Reconstruction

December 4, 2024

Autori: Wanting Zhang, Haodong Xiang, Zhichao Liao, Xiansong Lai, Xinghui Li, Long Zeng

cs.AI

Abstract

La ricostruzione delle scene indoor rimane una sfida a causa della complessità intrinseca delle strutture spaziali e della presenza diffusa di regioni prive di texture. Gli avanzamenti recenti nello Splatting Gaussiano 3D hanno migliorato la sintesi di nuove visuali con un'elaborazione accelerata, ma devono ancora offrire prestazioni comparabili nella ricostruzione superficiale. In questo articolo, presentiamo 2DGS-Room, un nuovo metodo che sfrutta lo Splatting Gaussiano 2D per la ricostruzione ad alta fedeltà delle scene indoor. In particolare, impieghiamo un meccanismo guidato da seme per controllare la distribuzione dei Gaussiani 2D, con la densità dei punti seme ottimizzata dinamicamente attraverso meccanismi di crescita adattiva e potatura. Per migliorare ulteriormente l'accuratezza geometrica, incorporiamo profondità monoculare e vincoli normali per fornire dettagli e regioni prive di texture rispettivamente. Inoltre, vengono impiegati vincoli di coerenza multi-vista per mitigare artefatti e migliorare ulteriormente la qualità della ricostruzione. Esperimenti approfonditi sui dataset ScanNet e ScanNet++ dimostrano che il nostro metodo raggiunge prestazioni all'avanguardia nella ricostruzione delle scene indoor.

English

The reconstruction of indoor scenes remains challenging due to the inherent complexity of spatial structures and the prevalence of textureless regions. Recent advancements in 3D Gaussian Splatting have improved novel view synthesis with accelerated processing but have yet to deliver comparable performance in surface reconstruction. In this paper, we introduce 2DGS-Room, a novel method leveraging 2D Gaussian Splatting for high-fidelity indoor scene reconstruction. Specifically, we employ a seed-guided mechanism to control the distribution of 2D Gaussians, with the density of seed points dynamically optimized through adaptive growth and pruning mechanisms. To further improve geometric accuracy, we incorporate monocular depth and normal priors to provide constraints for details and textureless regions respectively. Additionally, multi-view consistency constraints are employed to mitigate artifacts and further enhance reconstruction quality. Extensive experiments on ScanNet and ScanNet++ datasets demonstrate that our method achieves state-of-the-art performance in indoor scene reconstruction.