边缘簇驱动的高斯泼溅稀疏视图重建细节增强

目的稀疏视图下的新视角合成是三维视觉领域的关键挑战。现有方法多依赖复杂外部先验弥补信息缺失，在场景边缘等细节区域重建质量不佳。本文旨在探索一条不依赖外部先验、从表征内部结构入手的优化路径，提出一种边缘簇驱动的三维高斯泼溅方法，以实现稀疏输入下边缘细节增强的高质量视图合成。方法方法核心在于构建一个“识别-增强-约束”的内生优化框架。首先，引入聚类分析，将离散三维高斯点组织为语义簇，并提出多准则融合的边缘簇识别算法，综合评估簇中心梯度、平均梯度幅值、簇空间规模及簇间邻近度，精准定位表征边缘结构的关键簇。其次，设计局部邻近引导的高斯解池策略，在识别出的边缘簇内部依据局部邻近图智能增补高斯，针对性强化边缘轮廓的连续性与完整性。最终，提出协同监督的深度正则化方法，通过合成伪视图增强数据，并融合基于SfM点云尺度归一化的绝对深度损失与对尺度偏移不敏感的皮尔逊相关深度损失，为高斯位置优化提供鲁棒的几何约束。三者协同，形成从内部结构感知到针对性增强与几何一致性保障的闭环。结果在Mip-NeRF360与LLFF数据集共17个场景上的实验表明，在稀疏输入下，本文方法在峰值信噪比（peak signal-to-noise ratio，PSNR）、结构相似性指数（structural similarity index，SSIM）和学习感知图像块相似度（learned perceptural image patch similarity，LPIPS）指标上显著优于主流对比方法。在Mip-NeRF360数据集（1/8分辨率）上，三项指标平均达到23.82 dB、0.753和0.201；在LLFF数据集（1/8分辨率）上平均达到22.95 dB、0.701和0.275。在Deep Blending、Tanks&Temples和DTU数据集上的实验进一步验证方法的有效性与泛化能力，其性能达到或逼近当前最优方法。视觉对比显示，本文方法在自行车辐条、植物茎叶等复杂边缘的重建上更清晰锐利，有效减少模糊与断裂伪影。渲染速度保持在275 FPS以上，满足实时性要求。结论本文提出的边缘簇驱动方法，通过内部结构感知与针对性增强，有效提升稀疏视图下三维高斯泼溅对场景边缘及各向异性结构的重建质量，为高质量、实时的新视角合成可提供一条轻量化且自包含的技术路径。