【三维重建】InstantSplat：稀疏视角的无SfM高斯泼溅 (3D Gaussian Splatting)

![# 系列文章目录

例如：第一章 Python 机器学习入门之pandas的使用](https://i-blog.csdnimg.cn/direct/6304d4a714f045b488949062fdc7b3b2.png)

---

提示：关注B站【方矩实验室】，查看视频讲解

文章目录

• 1.摘要
• 2.Introduction
• 3.主要方法
• • [3.1 MVS（ DUSt 3R ）](#3.1 MVS（ DUSt 3R ）)
  • [3.2 GS的初始化](#3.2 GS的初始化)
  • [3.3 联合优化](#3.3 联合优化)
• 4.实验
• 5.总结

---

1.摘要

  InstantSplat将多视图立体（MVS）预测与基于点的表示相结合，在几秒钟内从稀疏视图数据构建大规模场景的3D高斯模型，解决了SfM的性能和效率问题。

  具体来说，InstantSplat在所有训练视图中生成密集填充的表面点，并使用像素对齐来确定初始相机参数 。并且采用了一个基于网格与置信度感知的最远点采样方法并行，以提升计算效率。最后通过自监督联合优化相机位姿以及GS参数。

  通过使用这个简化的框架，InstantSplat实现了训练时间的大幅减少,从几个小时到几秒钟-并在不同数据集中的各种视图数量上表现出强大的性能。

2.Introduction

3.主要方法

  整体上，通过DUSt 3R 得到稠密点云，然后利用其置信度做稠密点云的下采样 作为3DGS的初始点云，然后联合优化相机位姿与高斯参数

3.1 MVS（ DUSt 3R ）

3.2 GS的初始化

3.3 联合优化

4.实验

5.总结

  

  

  

---