Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering

这篇论文名为《Scaffold-GS: 用于视角自适应渲染的结构化3D高斯（Structured 3D Gaussians for View-Adaptive Rendering）》, 其主要工作是通过提出一种新的基于锚点的3D高斯散射（3D Gaussian Splatting）方法来实现高效的视角自适应渲染。

主要工作和贡献：
锚点初始化与局部高斯生成：论文引入了一种使用锚点（Anchor Points）来分配局部3D高斯的方案，锚点通过从结构化运动（SfM）点云中初始化。每个锚点生成一组具有学习偏移量的神经高斯，这些高斯的属性（如不透明度、颜色、旋转、缩放）是基于锚点特征以及视角位置动态预测的。

锚点的生长与修剪策略：为了提升对场景的覆盖率，Scaffold-GS 设计了锚点的生长和修剪策略，通过这些策略可以在模型训练中动态调整锚点的位置和数量，从而减少冗余高斯，提高渲染的鲁棒性。

高效的渲染性能：通过在推理阶段仅对视景体内的锚点进行高斯生成，并利用基于不透明度的过滤步骤，Scaffold-GS 在渲染速度和存储需求方面显著优于原始的3D-GS方法，同时保持了相似的渲染质量（大约100 FPS）。

实验结果与性能评估：通过对多个数据集的实验，论文表明 Scaffold-GS 在复杂的大规模场景、光照变化、细节恢复等方面比原始3D-GS表现得更好。在多尺度内容、纹理缺乏的区域以及强光照效果下，Scaffold-GS 展现出更强的适应性。

主要创新点：
视角自适应性：通过动态地从锚点预测3D高斯的属性，Scaffold-GS 能够根据视角的变化调整每个高斯的表现，使得模型在渲染新的视角时更加鲁棒。
多层次场景表示：利用锚点引导3D高斯的分布，形成了一种多层次且具有区域感知的场景表示，能够更好地捕捉场景的几何结构。
与其他方法的比较：
相较于传统的3D-GS，Scaffold-GS 通过利用场景结构进行锚点分布，减少了高斯的冗余，提高了渲染的速度和模型的紧凑性。
在与原始3D-GS及其他主流方法（如 Mip-NeRF360、Plenoxels）的比较中，Scaffold-GS 在图像质量（PSNR、SSIM、LPIPS）、渲染速度（F