最新！首个基于3D Gaussian Splatting从运动模糊图像重建清晰3D场景

最新推荐文章于 2025-04-29 17:39:32 发布
最新推荐文章于 2025-04-29 17:39:32 发布
阅读量858 收藏 3
点赞数 1
分类专栏： 3D视觉从入门到精通 文章标签： 3d 算法 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_46788581/article/details/138041719
版权
DeblurGS是一种利用3D高斯溅射技术从运动模糊图像中恢复清晰3D场景的方法。通过模拟相机运动、高斯密度正则化退火策略优化轨迹，以及损失函数实现图像重建。实验证明，该方法在模糊图像处理和3D重建上优于现有技术，适用于实际模糊视频场景。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

作者：Jeongtaek Oh | 编辑：3DCV
添加微信：cv3d008，备注：方向+单位+昵称，拉你入群。文末附行业细分群

图片

1.导读

这篇文章介绍了一种名为DeblurGS的方法，旨在从运动模糊的图像中恢复清晰的三维场景。该方法采用3D高斯溅射(3DGS)表示场景，并模拟相机运动来合成模糊视图。通过最小化合成模糊视图和输入模糊图像之间的差异，该方法优化了相机的运动轨迹和3DGS参数。为处理初始相机姿态不准确的情况，文章提出了高斯密度退火策略。实验证明，该方法在多个数据集上优于现有方法，并且能够从实际模糊视频中恢复清晰的场景。总体来说，DeblurGS为从运动模糊图像中重建清晰三维场景提供了一种有效方法。

2.论文信息

标题：DeblurGS: Gaussian Splatting for Camera Motion Blur
作者：Jeongtaek Oh, et al.
机构：Seoul National University
论文：https://arxiv.org

了解本专栏 订阅专栏 解锁全文 超级会员免费看
3D Gaussian Splatting 部署
qq_34717531的博客
09-03 4260
简介：3D Gaussian Splatting是一种用一组2d图像创建3d场景的方法，你只需要一个场景的视频或者一组照片就可以获得这个场景的高质量3d表示，使你可以从任何角度渲染它。它们是一类辐射场方法（如NeRF），但同时训练速度更快（同等质量）、渲染速度更快，并达到更好或相似的质量。3D Gaussian Splatting可以实现无界且完整的场景1080p分辨率下进行高质量实时（≥ 100 fps）视图合成。该论文获得的siggraph 2023最佳论文。
【ACM_2023】3D Gaussian Splatting for Real-Time Radiance Field Rendering
zik的博客
06-28 2163
【Project】引入了三个关键要素，能够在保持有竞争力的训练时间的同时实现最先进的视觉质量，并且重要的是允许以 1080p 分辨率进行高质量实时（≥ 30 fps）新颖的视图合成。首先，从相机校准期间产生的稀疏点开始，用 3D 高斯表示场景，保留连续体积辐射场的所需属性以进行场景优化，同时避免在空白空间中进行不必要的计算；其次，对 3D 高斯进行交错优化/密度控制，特别是优化各向异性协方差以实现场景的准确表示；第三，开发了一种快速可见性感知渲染算法，该算法支持各向异性泼溅，既加速训练又允许实时渲染。
3D Gaussian Splatting
whaosoft143ai的博客
01-08 1932
本文转载于大佬~~这是3D Gaussian Splatting综述, 先回顾3D Gaussian的原理和应用，借着全面比较了3D GS在静态场景、动态场景和驾驶场景中的性能，最后为未来指明了研究方向！三维 Gaussian splatting（3DGS）是近年来在显式辐射场和计算机图形学领域出现的一种变革性技术。这种创新方法的特点是使用了数百万个3D高斯，这与神经辐射场（NeRF）方法有很大的不同，后者主要使用隐式的基于坐标的模型将空间坐标映射到像素值。3D GS凭借其明确的场景表示和可微分的渲染算法，
3D Gaussian Splatting部分原理介绍和CUDA代码解读
最新发布
weixin_45657478的博客
04-29 815
本系列旨在帮助无CUDA代码经验的读者、以及3DGS的初学者理解代码逻辑。
3D Guassian Splatting
weixin_45856174的博客
12-09 1858
Splatting算法是一种基于点或者体素的渲染方法，用于将三维数据投影到二维图像平面以生成图像，尤其在三维体绘制和散点云渲染中。对于点和体素的处理方法有一些差别，核心思想是一致的，即将数据点或体素解释为吸收和发射光线的粒子，通过计算这些粒子对屏幕像素的光学贡献来生成图像。作者在摘要中提到，3DGS方法实现了最先进的视图合成质量，并且可以达到实时生成速度。他们的解决方案是基于三个主要部分组成。
Paper Reading — 3D Gaussian Splatting
tjy792864625的博客
05-20 1767
3D gaussian splatting论文解析
3D 高斯溅射 (Gaussian Splatting)技术，一种实现超写实、高效渲染的突破性技术
12-18 3632
3D 高斯溅射 (3DGS) 的核心技术是通过数百万个微小的、半透明的椭球体（即“高斯溅射”）来创建和渲染 3D 场景。与依赖多边形或复杂神经网络的传统方法不同，3DGS 利用这些溅射点来表现场景。每个溅射点包含其位置、颜色、大小和透明度的信息。当经过组合后，这些溅射点能高度还原场景的真实感。
三维高斯溅射(3D Gaussian Splatting,3DGS)
2403_85515624的博客
03-14 2607
它通过使用3D高斯函数来表示场景中的点，并将这些高斯函数投影到2D图像平面上进行渲染。这项技术自2023年由Kerbl等人在 ACM Siggraph会议上首次提出以来，因其出色的渲染质量和实时性能而受到学术界和工业界的广泛关注。下图为3DGS算法的流程以下为原文中3DGS效果的展示备注：峰值信噪比(Peak Signal to Noise Ratio,PSNR)是图像质量评价领域最常用且历史最悠久的算法，基于两张图像之间的均方误差，可以进一步计算两张图像之间的PSNR值；
学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研
热门推荐
gwpscut的博客
01-09 2万+
论文主页3D Gaussian Splatting是最近NeRF方面的突破性工作，它的特点在于重建质量高的情况下还能接入传统光栅化，优化速度也快（能够在较少的训练时间，实现SOTA级别的NeRF的实时渲染效果，且可以以 1080p 分辨率进行高质量的实时（≥ 30 fps）新视图合成）。开山之作就是论文“3D Gaussian Splatting for Real-Time Radiance Field Rendering”是2023年SIGGRAPH最佳论文。
论文阅读：3D Gaussian Splatting for Real-Time Radiance Field Rendering
fishfuck的博客
08-11 984
辐射场方法最近彻底改变了用多张照片或视频捕获的场景的新颖视角合成。然而，要获得高视觉质量，仍然需要训练和渲染成本高昂的神经网络，而最近更快的方法不可避免地要牺牲速度来换取质量。对于无界和完整的场景(而不是孤立的对象)和1080p分辨率的渲染，目前还没有一种方法可以达到实时显示速率。我们引入了三个关键元素，使我们能够在保持有竞争力的训练时间的同时获得最先进的视觉质量，并重要的是允许在1080p分辨率下进行高质量的实时(≥30 fps)新颖视图合成。
【论文阅读|计算机视觉】 3D Gaussian Splatting for Real-Time Radiance Field Rendering
chien__的博客
11-29 816
辐射场方法最近在基于多张照片或视频的场景新视角合成方面引发了革命。然而，要实现高视觉质量，仍需依赖昂贵的神经网络训练和渲染成本，而最近一些更快的方法则不可避免地在速度与质量之间做出了妥协。对于无边界的完整场景（而非孤立的物体）以及1080p分辨率的渲染，目前尚无方法能够实现实时显示（≥30帧/秒）。我们引入了三个关键要素，既能实现当前最先进的视觉质量，同时保持具有竞争力的训练时间，并且尤其能实现高质量的1080p分辨率实时新视角合成（≥30帧/秒）。
3D Gaussion Splatting
w574993075的博客
10-17 1474
Relightable Gaussian Codec Avatars，这是一种构建 高保真可重新照明的头部头像，可以进行动画处理以生成新颖的表情。基于 3D 高斯的几何模型可以捕获 3D 一致的亚毫米细节为了统一支持眼睛、皮肤和头发等人体头部的各种材料提出一种基于可学习的辐射转移的新型可重新打光外观模型。结合漫反射组件的全局照明感知球谐波，我们可以实现使用球形高斯进行全频反射的实时重新照明。此外观模型可以在点光和连续光下实时高效地重新建模照明。
【论文阅读笔记】3D Gaussian Splatting
weixin_62636846的博客
10-21 1075
说明：阅读笔记主要仅供个人学习使用从点云出发建立辐射场，通过colmap使用SfM获得初始点云，之后变点云为高斯椭球，通过机器学习进行重建。
3D Gaussian Splatting (学习笔记）
2401_85725332的博客
11-01 1167
NeRF 是一种利用稀疏视角图像重建场景的 3 维表示的隐式学习技术,通过对场景的光照和颜色信息进行编码,实现高质量的 3 维重建和视角合成效果。，这为场景优化和新颖的视图合成提供了显著的加速。3D GS 技术的出现解决了 NeRF 技术训练和渲染速度慢的缺点,它使用 3D 高斯基元作为实时神经渲染的基元,可在不牺牲图像质量的情况下显着提高渲染速度。计算完图像损失之后,梯度会沿着数据流反向传播,对 3D 高斯基元的参数进行优化,而重建不充分的区域往往有着更大的梯度,是需要优化的重点区域。
3D Gaussian Splatting介绍
m0_37604894的博客
04-17 1万+
3D Gaussian Splatting和NeRF一样，主要用于新视图合成。使用光栅化渲染方式，而不是NeRF的基于射线的体渲染（volumetric rendering along a ray）使用多个3D高斯球显示的表达场景训练推理速度快的同时保证质量高本质上是一个优化问题，没有使用神经网络μ\muμ进行了一定简化，我们回顾一下原始形式，若随机变量服从X∼Nμσ2X∼Nμσ2,则有如下的概率密度函数对应到多元，就是下面的形式，
3D Gaussian Splatting-实时辐射场渲染技术
llsansun的博客
01-31 2138
3D Gaussian Splatting是一种新颖的连续体表示，能够高效地表示场景并支持快速渲染。交错优化高斯点属性和密度控制实现了高斯点集的紧凑表示。基于瓦片的渲染算法实现了高效可微分的渲染，支持了快速训练和实时渲染。方法在多个数据集上实现了高质量和实时效果，同时训练速度和内存占用较低。3D高斯模型可被视为一种介于体积和表面表示之间的折衷，具有广泛的适用性。尽管方法在某些区域存在缺陷，但总体上达到了高质量实时神经辐射场渲染的要求。
3D-gaussian-splatting运行（免环境配置）
L_IRISRIIN的博客
01-09 5019
3D高斯泼溅复现教程，windows环境下免环境配置
[SIGGRAPH-23] 3D Gaussian Splatting for Real-Time Radiance Field Rendering
qq_40731332的博客
11-23 3878
NeRF效果好，但是训练和渲染很花时间；特别是对1080p分辨率渲染的场景，现有方法无法实现实时渲染。本文引入三个关键部分，实现sota视觉质量、较短训练时间和1080p分辨率下新视角实时渲染。。通过camera calibration中产生的稀疏点进行初始化。这种新的3D表达形式在保存NeRF优点的同时，避免了空白空间不必要的计算开销；。实现3D Gaussian的交替优化和密度控制，优化各向异性协方差矩阵实现对场景的准确表达；Rendering。
3D Gaussian Splatting：开启3D渲染的新纪元
2302_80643506的博客
02-19 1399
3D Gaussian Splatting 技术作为 3D 场景重建与渲染领域的创新力量，以其独特的高斯函数表示和 Splatting 技术，为我们带来了高效、灵活且高质量的 3D 场景构建与渲染体验。从原理上的巧妙设计，到训练与渲染过程的精细优化，再到在众多领域的广泛应用，它都展现出了巨大的优势和潜力。在实时渲染、虚拟现实、电影动画、自动驾驶等领域，3D Gaussian Splatting 正发挥着越来越重要的作用，推动着这些领域不断向前发展。
3dgs slam
03-08
### 3DGS SLAM概述 3D Gaussian Splatting (3DGS) 基础上的SLAM技术融合了传统SLAM与现代基于学习的方法的优点，特别适用于处理复杂环境下的实时定位与地图构建任务。该方法利用3D高斯分布来描述场景中的特征点，从而提供了一种高效且精确的方式来进行环境建模[^1]。 #### 运动模糊感知框架的特点 为了应对运动模糊带来的挑战，所提出的SLAM框架不仅能够准确地模拟图像形成过程中发生的运动模糊现象，还能够在优化过程中考虑这种影响因素。这使得即使面对含有显著运动模糊的输入数据时，系统依然可以保持较高的鲁棒性和准确性。 #### 场景表示方式 不同于传统的仅依赖于离散点云或者网格模型，在这里采用了更加灵活多变的连续概率密度函数——即3D高斯球形分布来近似实际物体表面特性。每一个这样的高斯单元都包含了位置、方向以及形状等方面的信息，并且可以通过调整其参数值来适应不同尺度和细节层次的需求[^2]。 ```python import numpy as np def gaussian_splatting(positions, orientations, scales): """ Simulate the process of representing a scene using 3D Gaussians. :param positions: List or array of position vectors for each Gaussian component. :param orientations: List or array specifying orientation angles for each component. :param scales: Scalar values indicating size/scale of individual components. :return: A set of parameters defining multiple 3D Gaussian distributions. """ gaussians = [] for pos, ori, scale in zip(positions, orientations, scales): cov_matrix = compute_covariance(ori, scale) mean_vector = np.array(pos) gaussians.append((mean_vector, cov_matrix)) return gaussians ``` 通过这种方式建立起来的地图既保留了足够的几何结构信息用于导航规划等应用场合；同时也具备良好的可扩展性以便后续进一步改进和发展新的算法功能模块。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值