DropGaussian通过随机删除部分高斯分布，有效解决了稀疏视角下3D高斯溅射的过拟合问题，提升新视角合成质量。
原文标题：【CVPR2025】DropGaussian: 稀视角高斯溅射的结构正则化
原文作者：数据派THU
冷月清谈：
本文介绍了一种名为DropGaussian的全新方法，旨在解决3D高斯溅射（3DGS）在稀疏视角下容易发生的过拟合问题。该方法无需引入任何先验信息，仅通过对3DGS进行简单修改——在训练过程中随机删除部分高斯分布，从而使剩余高斯分布获得更大的梯度和更高的可见性，进而提升它们在稀疏视角渲染优化过程中的贡献。实验结果表明，DropGaussian能够有效缓解过拟合，显著提高新视角的合成质量，且性能可与现有基于先验的3DGS方法相媲美，同时避免了额外的复杂性。
怜星夜思：
1、DropGaussian通过随机删除高斯分布来优化渲染，这个思路挺有意思的。那么，有没有可能根据某些指标（例如高斯分布的梯度大小、不透明度等）来**选择性**地删除高斯分布，而不是完全随机删除呢？这样会不会效果更好？
2、文章提到DropGaussian无需任何先验信息，就能达到与基于先验的方法相媲美的效果。这是否意味着在3DGS领域，**先验知识并没有想象中那么重要**？或者说，DropGaussian这种“less is more”的思路在其他领域是否也有借鉴意义？
3、DropGaussian主要针对稀疏视角下的过拟合问题。那么，如果输入视角的数量足够多，DropGaussian是否还有提升空间？或者说，**在密集视角下，DropGaussian可能会带来哪些负面影响**？
2、文章提到DropGaussian无需任何先验信息，就能达到与基于先验的方法相媲美的效果。这是否意味着在3DGS领域，**先验知识并没有想象中那么重要**？或者说，DropGaussian这种“less is more”的思路在其他领域是否也有借鉴意义？
3、DropGaussian主要针对稀疏视角下的过拟合问题。那么，如果输入视角的数量足够多，DropGaussian是否还有提升空间？或者说，**在密集视角下，DropGaussian可能会带来哪些负面影响**？
原文内容
来源：专知本文约1000字，建议阅读5分钟
本文提出了一种无先验的方法——DropGaussian，通过对 3D 高斯溅射进行简单的改动。
最近，3D 高斯溅射（3DGS）因其快速的性能和优秀的图像质量在新视角合成领域引起了广泛关注。然而，在稀视角设置下（例如，三视角输入），3DGS 经常面临过拟合训练视角的问题，这显著降低了新视角图像的视觉质量。许多现有方法通过使用强先验来解决这一问题，如 2D 生成的上下文信息和外部深度信号。与此不同，本文提出了一种无先验的方法——DropGaussian，通过对 3D 高斯溅射进行简单的改动。具体而言，我们在训练过程中以类似于 dropout 的方式随机删除部分高斯分布，这使得未被删除的高斯分布能够拥有更大的梯度，同时提高它们的可见性。这使得剩余的高斯分布在稀输入视角的渲染优化过程中能做出更多贡献。如此简单的操作有效地缓解了过拟合问题，并提升了新视角合成的质量。通过将 DropGaussian 简单应用于原始的 3DGS 框架，我们能够在基准数据集的稀视角设置下，获得与现有基于先验的 3DGS 方法相媲美的性能，而无需额外的复杂性。代码和模型可通过以下链接公开获取：https://github.com/DCVL-3D/DropGaussian release。
