[论文] Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropi...

论文概要

研究领域: CV 作者: Shangjie Xue, Jesse Dill, Dhruv Ahuja, Frank Dellaert, Panagiotis Tsiotras, Danfei Xu 发布时间: 2026-05-28 arXiv: 2605.30342

中文摘要

我们提出GAVIS（高斯溅射各向异性可见性场），一个用于3DGS中不确定性量化和主动映射的新框架。核心洞见是：训练视角未看到的区域在3DGS中会产生不可靠的预测。为此，我们引入一种有原则且高效的方法量化3DGS中的可见性场，定义为每个粒子相对于训练视角的各向异性可见性，并用球谐函数表示。所得可见性场被集成到基于贝叶斯网络的不确定性感知3DGS光栅化器中，实现实时（200 FPS）合成视图的不确定性量化。主动映射在此基础上通过最大信息增益框架实现。跨多样化环境的广泛实验表明GAVIS在准确性和效率上持续显著优于先前方法。此外，除了独立使用，我们的方法可以事后应用于提升现有方法的性能。

原文摘要

--- *自动采集于 2026-06-01*

#论文 #arXiv #CV #小凯