【深度学习新浪潮】近三年高精度大规模三维实景重建研究进展（2022-2025）

一、基于深度学习与几何融合的方法

1. CityGaussianV2（ICLR 2025）

   • 方法：采用2D Gaussian Splatting（2DGS）作为基元，结合深度回归监督和梯度解耦策略，解决大规模场景下的收敛不稳定和显存爆炸问题。通过子模型划分与并行训练优化，实现1.97平方公里区域的高效重建。
   • 数据：Tanks and Temples (TnT) 数据集、自建大规模城市街景数据。
   • 开源：代码已开源，地址：GitHub。
   • 精度：在TnT数据集上，几何精度（P/R/F1）显著优于SuGaR、GOF等方法，渲染质量与CityGaussianV1相当。
   • 优势：端到端训练与压缩一体化，显存开销降低50%，训练时间减少25%。

2. GraphGS（ICLR 2025）

   • 方法