Remote Sensing Sparse-View 3D Gaussian Splatting via Depth Image-Based Rendering
Aggiunta all'archivio di AIChronos il (numero del 28 settembre 2026 ricostruito)· fonte del · Jiaming Kang, Zhengxia Zou, Zhenwei Shi
Il paper propone DIBR-GS, un framework per la sintesi di nuove viste in telerilevamento che affronta le sfide della scarsità geometrica e dell'ambiguità delle profondità. Il metodo integra priori monoculari con ricostruzioni SfM sparse per una inizializzazione geometrica affidabile e incorpora priori sull'apparenza nelle rappresentazioni gaussiane neurali. Viene introdotta una strategia di supervisione progressiva basata su DIBR per generare viste pseudo che migliorano la coerenza incrociata, unitamente a una strategia di crescita degli ancoraggi vincolata all'altezza.
- DIBR-GS supera le limitazioni dei metodi NeRF e 3DGS tradizionali in scenari con osservazioni sparse riducendo l'overfitting.
- L'allineamento tra priori di profondità monoculari e ricostruzione SfM garantisce una geometria iniziale robusta.
- La strategia DIBR-based genera viste pseudo per fornire supervisione incrociata, migliorando la ricostruzione in regioni poco osservate.
- Il metodo ottiene un aumento del PSNR di 6.83 dB rispetto allo stato dell'arte con soli 3 input views.
- Una strategia di crescita degli ancoraggi vincolata all'altezza sopprime l'espansione irrazionale delle gaussiane.
Perché conta. Sebbene il dominio sia specifico per il telerilevamento, le tecniche di inizializzazione geometrica tramite priori e la generazione di viste pseudo possono ispirare architetture AI locali che operano con dati parziali o scarsamente annotati. Inoltre, l'approccio alla gestione dell'ambiguità delle profondità è rilevante per agenti autonomi che devono inferire scene 3D da osservazioni limitate in ambienti reali.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.