ICLR 2025｜高效重建几何精准的大规模复杂三维场景，中科院提出CityGaussianV2

能够在快速实现训练和压缩的同时，得到精准的几何结构与逼真的实时渲染体验。

原标题：ICLR 2025｜高效重建几何精准的大规模复杂三维场景，中科院提出CityGaussianV2
文章来源：机器之心
内容字数：6578字

高效精准重建大规模复杂场景：CityGaussianV2算法详解

机器之心AIxiv专栏报道了中科院自动化所研究团队提出的CityGaussianV2算法，该算法用于大规模复杂三维场景的高效重建，已接受于ICLR 2025，并开源代码。

1. 背景与挑战

三维场景重建旨在从图像恢复场景的三维结构，追求精准几何和逼真渲染。3D Gaussian Splatting (3DGS)因其效率优势成为主流，但其离散表征难以精确拟合物体表面，重建几何精度不足。SuGaR、2DGS、GOF等改进算法在小场景表现出色，但在大型复杂场景中面临更大挑战，例如几何精度下降、显存、训练耗时过长等问题，且缺乏有效的几何重建质量评估手段。

2. CityGaussianV2算法介绍

CityGaussianV2继承了CityGaussian的子模型划分和数据分配方案，并使用2DGS作为基元。针对大规模场景重建的挑战，它主要进行了以下优化：

高斯基元优化：引入了基于延展率过滤和梯度解耦的稠密化技术，以及深度回归监督，有效解决了2DGS在大型场景中存在的模糊伪影、基元过度增长等问题，提升了重建精度和训练稳定性。
并行训练管线优化：合并了训练和压缩过程，删除冗余步骤，周期性地删除重要性低的基元，降低了显存和存储开销，加速了模型收敛速度，并提升了对低端设备的友好性。
大规模重建几何评估协议：基于点云的目击频次统计，设计了针对大规模场景欠观测区域的边界估计方案，有效规避了欠观测区域重建效果不稳定对指标的影响，使评估更客观公正。

3. 实验结果与分析

实验结果表明，CityGaussianV2在几何精度（精度P，召回率R，F1-Score）方面均优于现有算法，重建结果细节更准确、完整性更高，渲染质量也与CityGaussian V1相当。同时，CityGaussianV2有效解决了显存问题，显著减少了训练时间和显存开销，并能将大规模场景重建结果以约400M的体积存储。

4. 总结

CityGaussianV2算法针对大规模复杂场景高效精准重建的挑战，提出了一种基于2DGS基元、并行训练和高效压缩的解决方案。它解决了2DGS在大规模场景中的收敛速度和扩展能力问题，并建立了大规模场景下的几何精度评估基准。实验结果验证了该方法的效率、有效性和鲁棒性，为大规模三维场景重建提供了新的技术方案。