【CVPR2025】DropGaussian: 稀视角高斯溅射的结构正则化

最近，3D 高斯溅射（3DGS）因其快速的性能和优秀的图像质量在新视角合成领域引起了广泛关注。然而，在稀视角设置下（例如，三视角输入），3DGS 经常面临过拟合训练视角的问题，这显著降低了新视角图像的视觉质量。许多现有方法通过使用强先验来解决这一问题，如 2D 生成的上下文信息和外部深度信号。与此不同，本文提出了一种无先验的方法——DropGaussian，通过对 3D 高斯溅射进行简单的改动。具体而言，我们在训练过程中以类似于 dropout 的方式随机删除部分高斯分布，这使得未被删除的高斯分布能够拥有更大的梯度，同时提高它们的可见性。这使得剩余的高斯分布在稀输入视角的渲染优化过程中能做出更多贡献。如此简单的操作有效地缓解了过拟合问题，并提升了新视角合成的质量。通过将 DropGaussian 简单应用于原始的 3DGS 框架，我们能够在基准数据集的稀视角设置下，获得与现有基于先验的 3DGS 方法相媲美的性能，而无需额外的复杂性。代码和模型可通过以下链接公开获取：https://github.com/DCVL-3D/DropGaussian release。