【ICCV2025】CL-Splats：结合局部优化的高斯泼洒持续学习方法

在动态三维环境中，准确地随时间更新场景表示对机器人技术、混合现实和具身智能等应用至关重要。随着场景不断变化，迫切需要高效方法将这些变化纳入重建中，以在避免整体重新优化带来的高昂计算成本的同时，保持最新且高质量的重建结果。 本文提出 CL-Splats，一种基于高斯泼洒（Gaussian Splatting）的三维表示持续学习方法，可从稀疏的场景采集中增量式地更新三维表示。CL-Splats 引入了一个鲁棒的变更检测模块，用于区分场景中的动态与静态部分，从而实现局部优化，避免不必要的全局计算开销。 此外，CL-Splats 支持场景状态的存储与恢复，有助于时间分段处理及新型场景分析任务的开发。大量实验表明，CL-Splats 在实现高效更新的同时，重建质量优于现有最先进方法，为未来三维场景重建任务中的实时自适应奠定了坚实基础。 我们将在 https://cl-splats.github.io/ 发布源码及所构建的合成与真实数据集。