ClearGS提出手持视频3D高斯泼溅新方法
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对手持视频视角覆盖不均与帧质量混杂问题，ClearGS提出可靠性感知视角分配（RVA），依据外观可靠性、退化风险及几何效用分配分级权重，并弱激活受抑帧保轨迹覆盖。因加权无法复原图像模糊，该工作引入渲染引导视频内修复（RIVR），利用当前3DGS渲染提供位姿对齐结构候选，冻结无参考修复专家复原原始观测，再由无参考感知分数在渲染、复原及高频融合候选间抉择。最后经全轨迹修复巩固保留早期细节。在GS2E与GSOTM上，无配对清晰监督或干净参考下，CLIP-IQA和MUSIQ指标获一致提升，LPIPS在多数退化设定下降低。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载RVA视角分配机制
手持视频常面临视角覆盖不均与帧质量混杂的挑战。ClearGS摒弃了传统的二元帧选择策略，转而采用可靠性感知视角分配（RVA）。该机制基于外观可靠性、退化风险以及几何效用这三个维度，为原始监督分配分级权重。同时，为防止因过度剔除导致轨迹覆盖不足，RVA会弱激活部分被抑制但仍有用的帧，从而在过滤低质输入与维持轨迹完整性间取得平衡。
RIVR修复与融合策略
仅靠加权无法弥补模糊或畸变造成的细节丢失，因此ClearGS引入渲染引导视频内修复（RIVR）。该模块先由当前3DGS渲染结果提供位姿对齐的结构候选；随后，一个冻结的无参考修复专家对原始视频观测进行复原，此过程无需任何干净参考图；最后，利用无参考感知分数在渲染结果、复原观测及高频融合候选三者间做出抉择，选出最优结果。
修复巩固与评测表现
为防止早期引入的修复细节在后续优化中被遗忘，ClearGS应用全轨迹修复巩固机制，重新审视已接受的修复并保留早期细节。在GS2E与GSOTM基准上，该方法无需配对清晰监督或匹配的干净参考，便实现了当前最优的整体性能，具体表现为CLIP-IQA和MUSIQ指标获得一致增益，且LPIPS在大多数退化设定下有所降低。
为什么值得看
解决手持视频质量不均致3DGS退化难题，无需干净参考即实现画质与几何双提升。
对齐数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。