CN119206088B 基于数据驱动压缩与自适应分裂的高效三维重建方法 （南京信息工程大学）

基于数据驱动压缩与自适应分裂的高效三本发明公开了基于数据驱动压缩与自适应2步骤S5：掩码生成网络根据3D高斯的可学习特征和视角信息输出3D高斯的重要性评码生成网络以及判别网络参数及3D高斯的属性迭代优化与2.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特;i3D高斯在三维空间中的中心位置；Σi表示大小FeR'表示。3.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特掩码生成网络采用tiny_cuda_nn实现，使用ReLU作为激活函数，掩码34.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征FeR'和视角信息g,eR3，生成对应的3D高斯的重要性评分Ite[0,1]，重要性评分生成过;;;f=4000000为最大3D高斯数量；步骤S5.3:生成的掩码Mi用来选择和处理对应的3D5.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特;;图像的损失LossR和消除部分3D高斯的渲;;R)和D(ImgF)分别表示判别网络对真实图像和消除部分3D高斯的渲染图的4;;6.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特;;;;;;7.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特5步骤S7.2.3：每1000次迭代执行一次重要性加权采样，每次随机选择保留95%的3D高;i是否与从相机中心出发穿过像素(u,v);;v表示视角总数；;8.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特6[0003]然而，现有的3DGS方法在高频区域可能存在图像模糊、7对掩码生成网络以及判别网络参数及3D高斯的属性迭代优化[0017]图1是根据本发明实施例提供的基于数据驱动压缩与自适应分裂的高效三维重建8络用于判断消除部分3D高斯的渲染图与真实图生成网络与判别网络的交互过程确保了高效的掩码生成和9入可学习特征FeR'和视角信息g,eR3，生成对应的3D高斯的重要性评分Ite[0,1]，重要性i表示3D高斯的重要性评分；重要性评分反映了每个3D高斯在当前视角下对场景渲染[0050]以上公式通过对当前3D高斯数量N进行对数变换，使得阈值能够根据3D高斯数量对掩码生成网络以及判别网络参数及3D高斯的属性迭代优化；真实图像的损失LossR和消除部分3D高斯的渲染图的损失LossF计算；；[0062]其中，D(ImgR)和D(ImgF)分别表示判别网络对真实图像和消除部数LossD。LossRestruction确保生成的消除部分3D高斯的LossG优化3D高斯的选择和消除，而LossD通过判别网络的反馈帮助掩码生成网络生成更真；Mi，掩码用于标识哪些3D高斯应该被保留，哪些3次；[0106]模型的初始学习率设置为0.0001，随着训练过程逐渐调整至0.00005，使用的至0.851表明该模块在高斯分布优化和视觉细节增强方面的效果更加明显。重要性加权采样则进一步提升了模型的性能，使PSNR和SSIM在减少高斯数量的同时保持了较高的精