省流：
- 视图自适应分组策略，利用强大的点图先验构建成对点图，从而实现了点云和相机姿态的精确初始化。
- 基于KNN的自适应致密化策略，该策略根据每个高斯的相邻椭球体的形状差异动态触发致密化，从而实现了鲁棒的新视图合成。
1.视图自适应组初始化策略
由oneref方法构建的点图对得出的相机姿态是次优的，这可能会导致新颖视图合成的性能下降。
为了提高密集视图场景中的相机姿态性能并避免内存开销，我们提出了一种基于图像相似性的自适应分组策略来构建图像对。给定输入图像序列，我们首先计算每对相邻图像之间的余弦相似度，以量化它们的相似度。余弦相似度定义为：
其中表示图像
和
的点积，
和
是它们各自的范数。接下来，我们计算相邻图像之间的相似性差异，并构建一个差异率数组
：
其中表示图像
和
之间的相似度差异。然后，我们从差率数组
中选择
个最大值，最后将图像序列
划分为多个子序列
，其中每个子序列代表一个组
。在每个组
内，将索引为0的视图分配为参考视图，组内的所有其他视图都与该参考视图匹配。这个过程生成一组图像对，记为方程式
其中是组号，
是组集，
是非参考号，
和
是点映射号。配对后，所有图像对都被输入到DUSt3R的预训练模型中，以获得每个图像对的成对点图
，
及其关联的置信度图
,对于每个图像对
。然后，如下公式所示进行全局优化以获得全局点云和相机姿态。
通过采用视图自适应分组配对策略，我们为后续的3DGS训练实现了更精确的全局点云和相机姿势。
2.基于KNN的致密化
每个3D高斯原语由一个平均向量
和一个全3D协方差矩阵
组成。高斯原语可以写成：
随后，在训练期间，每100次迭代计算每个高斯原语的平均视图空间位置梯度。如果梯度超过梯度阈值
并且形状超过尺度阈值
，则高斯
将进行拆分：
虽然ADC允许拆分后的高斯覆盖大部分场景，但一些大高斯倾向于抵制拆分。然而，我们在实际场景中的观察发现，高斯分布是不均匀的，较大的高斯往往出现在较小的高斯附近。受这一现象的启发，我们提出了一种基于K-最近邻（KNN）算法的自适应高斯椭球拆分策略。具体来说，对于每个高斯椭球，我们使用KNN算法来识别
个最接近的相邻高斯
，然后计算这些邻居的平均形状
。
如果，则高斯
被归类为大高斯，需要拆分。如图3所示，通过这种拆分方法，有效地划分了大高斯。
图3。基于KNN的致密化。在基于KNN的分裂之后，大高斯被分解成较小的高斯，导致对较小目标的显着改进，例如图中描绘的汽车。