GSTAR: Gaussisch Oppervlaktevolgen en Reconstructie

GSTAR: Gaussian Surface Tracking and Reconstruction

January 17, 2025

Auteurs: Chengwei Zheng, Lixin Xue, Juan Zarate, Jie Song

cs.AI

Samenvatting

3D Gaussian Splatting-technieken hebben efficiënte fotorealistische weergave van statische scènes mogelijk gemaakt. Recente werken hebben deze benaderingen uitgebreid om oppervlakte reconstructie en tracking te ondersteunen. Het blijft echter uitdagend om dynamische oppervlakken te volgen met 3D-Gaussian vanwege complexe topologische veranderingen, zoals oppervlakken die verschijnen, verdwijnen of splitsen. Om deze uitdagingen aan te pakken, stellen we GSTAR voor, een nieuw methode die fotorealistische weergave, nauwkeurige oppervlakte reconstructie en betrouwbare 3D-tracking bereikt voor algemene dynamische scènes met veranderende topologie. Gegeven multi-view opnames als invoer, bindt GSTAR Gaussians aan mesh-gezichten om dynamische objecten voor te stellen. Voor oppervlakken met consistente topologie behoudt GSTAR de mesh-topologie en volgt de meshes met Gaussians. In regio's waar de topologie verandert, maakt GSTAR adaptief Gaussians los van de mesh, waardoor nauwkeurige registratie en de generatie van nieuwe oppervlakken op basis van deze geoptimaliseerde Gaussians mogelijk is. Daarnaast introduceren we een oppervlakte-gebaseerde scène flow methode die robuuste initialisatie biedt voor tracking tussen frames. Experimenten tonen aan dat onze methode effectief dynamische oppervlakken volgt en reconstrueert, waardoor een reeks toepassingen mogelijk is. Onze projectpagina met de code release is beschikbaar op https://eth-ait.github.io/GSTAR/.

English

3D Gaussian Splatting techniques have enabled efficient photo-realistic rendering of static scenes. Recent works have extended these approaches to support surface reconstruction and tracking. However, tracking dynamic surfaces with 3D Gaussians remains challenging due to complex topology changes, such as surfaces appearing, disappearing, or splitting. To address these challenges, we propose GSTAR, a novel method that achieves photo-realistic rendering, accurate surface reconstruction, and reliable 3D tracking for general dynamic scenes with changing topology. Given multi-view captures as input, GSTAR binds Gaussians to mesh faces to represent dynamic objects. For surfaces with consistent topology, GSTAR maintains the mesh topology and tracks the meshes using Gaussians. In regions where topology changes, GSTAR adaptively unbinds Gaussians from the mesh, enabling accurate registration and the generation of new surfaces based on these optimized Gaussians. Additionally, we introduce a surface-based scene flow method that provides robust initialization for tracking between frames. Experiments demonstrate that our method effectively tracks and reconstructs dynamic surfaces, enabling a range of applications. Our project page with the code release is available at https://eth-ait.github.io/GSTAR/.