GaussianSelector:基于图优化的3D高斯溅射中轻量级人工引导物体选择

Hugging Face Daily Papers 论文

摘要

GaussianSelector是一个无需训练的框架,利用涂鸦引导从稀疏视图进行交互式3D物体选择,并通过图割优化直接对高斯图元进行操作。

以最少的用户交互从重建场景中选取完整3D物体,对于实际的场景编辑和具身交互至关重要。现有的基于3DGS的方法要么重新训练高斯表示以嵌入逐对象标签,要么构建密集的多视图SAM观测,两者都需要大量计算和在实际中很少具备的密集视角覆盖。我们提出了GaussianSelector,一个无需训练的框架,用于从稀疏视图和稀疏涂鸦引导中进行交互式3D物体选择。我们直接对原生高斯图元进行操作,将密集高斯体粗化为几何上连贯的超点,并使用外观和空间线索构建连续性加权图。通过可见性感知的透射率覆盖,将稀疏的用户涂鸦提升到3D,并将选择求解为全局图割能量最小化,从而将稀疏证据传播到完整的3D物体。这种设计自然支持多轮细化,用户可以从额外视角迭代地修正选择,以逐步改善结果。实验表明,GaussianSelector在与最先进的多视图SAM方法相比时实现了有竞争力的选择质量,同时所需的交互视角更少,计算开销大幅降低。这些特性使其非常适合现实部署场景中的人在环路3D场景编辑和3D资产提取。
查看原文
查看缓存全文

缓存时间: 2026/08/08 02:00

论文页面 - GaussianSelector:基于图优化的轻量级人工引导三维高斯溅射物体选择

摘要

从重建场景中花费最少用户交互来选择完整的三维物体,对于实际的场景编辑和具身交互至关重要。现有的基于三维高斯溅射(3DGS)的方法要么重新训练高斯表示以嵌入逐物体标签,要么构建密集的多视图SAM观测,这两种方式都需要大量计算和稠密视角覆盖,而这在实际中很少可用。我们提出了GaussianSelector,一个无需训练的框架,用于从稀疏视角和稀疏涂鸦引导中进行交互式三维物体选择。它直接操作于原生高斯基元,将稠密高斯聚合成几何一致的超级点,并利用外观和空间线索构建具有连续性权重的图。稀疏的用户涂鸦通过基于可见性的透射率覆盖被提升到三维,选择问题则被建模为全局图割能量最小化,将稀疏证据传播到完整的三维物体。该设计天然支持多轮精炼,用户可从额外视角迭代纠正选择,逐步改善结果。实验表明,GaussianSelector在选区质量上可与最先进的多视图SAM方法竞争,同时所需交互视图更少,计算开销大幅降低。这些特性使其非常适合实际部署场景中的人机协同三维场景编辑和三维资产提取。

查看 arXiv 页面 (https://arxiv.org/abs/2608.01492) 查看 PDF (https://arxiv.org/pdf/2608.01492) 项目页面 (https://lllab.org/blog/GaussianSelector-Implementation-Notes-What-Didn-t-Fit-in-the-Paper) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.01492)

社区

论文作者

论文提交者

约3小时前 (https://huggingface.co/papers/2608.01492#6a765f6ef772614d61145315)

我们为三维高斯溅射打造了Photoshop的魔棒工具。✨

认识一下GaussianSelector 🖌️ —— 在一个视图上涂鸦,完整的3D物体就会从场景中弹出。就像在照片中选择花朵那样自然的交互,只不过画布是三维空间,而得到的是一份真正的3D资产。

忘掉为了部署重型3D分割模型而去租用GPU服务器吧。那是手机在实时运行它 📱👇

通过拖拽文本输入、粘贴或点击此处来上传图片、音频和视频。

点击或粘贴此处以上传图片

在你的智能体中获取这篇论文:

hf papers read 2608\.01492

没有最新CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2608.01492 即可从此页面链接该模型。

引用本文的数据集 0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.01492 即可从此页面链接该数据集。

引用本文的Space 0

没有Space关联此论文

在Space README.md 中引用 arxiv.org/abs/2608.01492 即可从此页面链接该Space。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 即可从此页面链接它。

相似文章

GlobalSplat: 通过全局场景标记实现高效的前馈式三维高斯散射

Hugging Face Daily Papers

GlobalSplat 引入了一种高效的前馈框架,用于三维高斯散射,通过全局场景标记实现紧凑且一致的场景重建,将计算开销和推理时间降低至78毫秒以下。该方法采用从粗到细的训练策略,防止表示膨胀,同时以显著更少的高斯原语(16K)达到有竞争力的新视角合成性能,与密集基线相比更为高效。

ZipSplat:更少的高斯,更优的 Splats

Hugging Face Daily Papers

ZipSplat 是一种基于 token 的前馈 3D 高斯溅射模型,利用 k-means 聚类将高斯放置与像素网格解耦,在无需真实位姿或内参的情况下,在 DL3DV 和 RealEstate10K 上实现了约 6 倍的高斯减少,同时设立了新的最佳结果。

SplatWeaver:学习分配高斯基元以实现可泛化新视角合成

Hugging Face Daily Papers

SplatWeaver 是一种前馈新视角合成框架,它根据空间复杂度动态分配 3D 高斯基元,相比固定分配方法提升了渲染质量与效率。该框架利用基数高斯专家和高频先验引导的像素级路由方案,自适应地在复杂与平滑的场景区域间分配基元。

用高斯泼溅作画

Lobsters Hottest

作者描述了一个交互式绘画工具的开发过程,该工具利用图像的边缘信息来引导二维高斯泼溅作为笔刷笔触,避免了缓慢的梯度下降方法,并产生类似绘画的效果。