注册

Honeycomb-Surfels 提出六边形图元 Hexels，提升渲染与重…

论文AI 评分 68/100arXiv cs.AI
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。

论文提出 Hexels：带一阶空间颜色场的平面六边形表面元素，用更少、更大的图元覆盖局部平面区域，六边形支撑在面积与边界上更高效，局部颜色场负责图元内部的表观变化。在 34 个场景上，与显存占用相同的 2DGS 相比，PSNR 提升 4.53-7.38 dB，且训练显存更低；单图元对比中最高领先 4.74 dB，FPS 快 2.31 倍。15 个 DTU 扫描上重建误差降低 28.9%；6 个 Tanks and Temples 场景平均 F1 为 34.38%，2DGS 为 31.72%。该方法在 2D 图像表示上也优于 Image-GS。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

图元设计与动机

辐射场与 splatting 类方法在新视角合成和三维重建上进展很快，但显存与算力开销限制了它们在资源受限环境中的使用。作者提出的 Hexels 是一类平面六边形表面元素，每个图元附带一阶空间颜色场。其思路是利用场景中大量局部近似平面的区域：这类区域外观变化平滑，可以用数量更少、单个体积更大的图元来覆盖，而不必依赖密集的小图元。六边形支撑在面积覆盖和边界处理上比方形更省，局部颜色场则负责表达单个图元内部的外观差异，两者结合使图元数量与表达精度之间的取舍更灵活。

与 2DGS 的量化对比

实验在 34 个场景上展开，对比对象是显存占用对齐后的 2DGS。结果显示 Hexels 的 PSNR 提升 4.53-7.38 dB，同时训练阶段所需显存更低。作者还做了单图元层面的消融：在相同图元数量下，Hexels 相对 2DGS 最高提升 4.74 dB，训练显存更低，渲染帧率快 2.31 倍。即便在不做约束的设置下，该方法也提供了一种与现有方案互补的画质与显存权衡，而不是只在单一指标上占优。

重建与二维表示表现

在三维表面重建任务上，作者在 15 个 DTU 扫描上与显存对齐的 2DGS 比较，误差下降 28.9%。在 6 个 Tanks and Temples 表面场景中，Hexels 取得对比方法里最高的平均 F1，为 34.38%，2DGS 为 31.72%。此外，作者把 Hexels 当作通用图元用于二维图像表示，结果优于 Image-GS。综合来看，作者将这项工作定位为把表面贴合图元的画质与效率权衡向前推进，并提供了项目页面供查阅。

为什么值得看

用更少图元换取更高画质与更低显存，并给出多数据集量化对比，对受显存限制的渲染与重建方案有直接参考价值。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源Honeycomb-Surfels: Compact Hexagonal Primitives for Efficient Scene Rendering and Reconstruction

关键事实

  • Hexels 是带一阶空间颜色场的平面六边形表面元素，用于 3D 场景与 2D 图像表示[1]

  • 在 34 个场景上，与显存占用相同的 2DGS 相比，PSNR 提升 4.53-7.38 dB，训练显存更低[1]

  • 单图元对比中最高领先 2DGS 4.74 dB，FPS 快 2.31 倍[1]

  • 15 个 DTU 扫描上重建误差降低 28.9%；6 个 Tanks and Temples 场景平均 F1 为 34.38%，2DGS 为 31.72%[1]

  • 在 2D 图像表示上优于 Image-GS[1]

相关 · 论文

OpenAI 自 GPT-5.6 起部署激活分类器监控模型输出

11月3日 周二·AI 78

OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力

11月2日 周一·AI 72

清华姚期智团队提出代数世界模型AWM，ARC-AGI-3全关卡通关

11月1日 周日·AI 78

新芯航途发布X7 Ultra芯片，700TOPS，用Momenta世界模型做评测

10月31日 周六·AI 72

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。

去论坛讨论