Simulated Skewed Gaussian Splatting: nuevo enfoque de primitivas geométricas de mayor fidelidad visual
DOI:
https://doi.org/10.5281/zenodo.17502782Palabras clave:
gaussian splatting, síntesis de vistas nuevas, asimetría, MSC 11, MSC 11A07, MSC 11A15, MSC 11D04Resumen
El objetivo es mostrar que la aplicación tradicional del gaussian splatting se puede mejorar mediante la introducción de parámetros adicionales para lograr nuevas formas, mejorando así los resultados de la reconstrucción. Específicamente, se investiga el impacto de incorporar la asimetría (skewness), que permite a las gaussianas adoptar una gama más amplia de formas. Se realizaron evaluaciones experimentales sobre manchas gaussianas 2D para evaluar la efectividad de este enfoque. Los resultados indican que las gaussianas con asimetría proporcionan un rendimiento superior en varias métricas. Además, se ha desarrollado un método novedoso para simular la asimetría, sin requerir cambios en las técnicas de rasterización existentes. Este enfoque garantiza la compatibilidad y la facilidad de integración con los sistemas actuales, permitiendo su aplicación en 3D. Los hallazgos sugieren que la adición del parámetro de asimetría es una mejora valiosa y ofrece un potencial para mejorar los resultados de la reconstrucción en contextos 2D y 3D.
Descargas
Citas
1. Held, J., R. Vandeghen, A. Hamdi, A. Deliege, A. Cioppa, S. Giancola, A. Vedaldi, B. Ghanem, and M. Van Droogenbroeck: 3D Convex Splatting: Radiance Field Rendering with 3D Smooth Convexes. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pages 21360–21369, June 2025. https://openaccess.thecvf.com/content/CVPR2025/papers/Held_3D_Convex_Splatting_Radiance_Field_Rendering_with_3D_Smooth_Convexes_CVPR_2025_paper.pdf.
2. Kerbl, B., G. Kopanas, T. Leimkühler, and G. Drettakis: 3D Gaussian Splatting for Real-Time Radiance Field Rendering. ACM Transactions on Graphics, 42(4):1–14, 2023. https://doi.org/10.1145/3592433.
3. Li, H., J. Liu, M. Sznaier, and O. Camps: 3D-HGS: 3D Half-Gaussian Splatting. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pages 10996–11005, June 2025. https://doi.org/10.1109/CVPR52734.2025.01027.
4. Mildenhall, B., P.P. Srinivasan, M. Tancik, J.T. Barron, R. Ramamoorthi, and R. Ng: NeRF: Representing scenes as neural radiance fields for view synthesis. Communications of the ACM, 65(1):99–106, 2021. https://doi.org/10.1145/3503250.
5. Qu, H., Z. Li, H. Rahmani, Y. Cai, and J. Liu: DisCGS: Discontinuity-aware Gaussian Splatting. In Globerson, A., L. Mackey, D. Belgrave, A. Fan, U. Paquet, J. Tomczak, and C. Zhang (editors): Advances in Neural Information Processing Systems, volume 37, pages 112284–112309. Curran Associates, Inc., 2024. https://proceedings.neurips.cc/paper_files/paper/2024/file/cbc80272426028bd561f3889af65c704-Paper-Conference.pdf.
6. Wang, Z., A.C. Bovik, H.R. Sheikh, and E.P. Simoncelli: Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4):600–612, 2004. https://doi.org/10.1109/TIP.2003.819861.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Leonardo Artiles Montero, Edián Broche Castro, Ariel González Gómez, Alex Bas Beovides
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
