结合非对称双3D高斯溅射的野外鲁棒神经渲染

由于不一致的照明条件和瞬态干扰，从野外图像进行3D重建仍然是一项具有挑战性的任务。现有方法通常依赖启发式策略来处理低质量的训练数据，这些策略往往难以产生稳定和一致的重建结果，并经常导致视觉伪影。在这项工作中，我们提出了非对称双3DGS，这是一个新颖的框架，它利用了这些伪影的随机性质：由于微小的随机性，它们在不同的训练运行中往往会有所不同。具体来说，我们的方法并行训练两个3D高斯泼溅（3DGS）模型，强制执行一致性约束，以促进模型在可靠的场景几何上收敛，同时抑制不一致的伪影。为了防止两个模型由于确认偏差而陷入相似的失效模式，我们引入了一种发散掩蔽策略，应用两种互补的掩码：一个多线索自适应掩码和一个自监督软掩码，这导致了两个模型的不对称训练过程，从而减少了共享误差模式。此外，为了提高模型训练效率，我们引入了一种名为动态EMA代理的轻量级变体，它用一个动态更新的指数移动平均（EMA）代理替换了两个模型中的一个，并采用交替掩蔽策略来保持发散性。在具有挑战性的真实世界数据集上进行的广泛实验表明，我们的方法持续优于现有方法，同时实现了高效率。代码和训练好的模型将发布。