速升网站外贸福步论坛登录

1. ​背景与核心问题​

在动态3D环境（如机器人、混合现实和具身AI）中，场景会随时间变化（例如物体移动、添加或移除）。传统方法如NeRF（神经辐射场）或3DGS（3D高斯溅射）在更新场景时面临挑战：

• ​计算效率低​：重新优化整个场景耗时且不切实际。
• ​灾难性遗忘​：现有方法（如CLNeRF或CL-NeRF）在更新时会丢失未变化区域的信息。
• ​局部更新困难​：缺乏针对变化区域的精准优化机制，导致重建质量下降。
  CL-Splats通过结合点云和NeRF方法的优势，提出一个显式表示框架，支持高效、局部化的更新，同时保持高保真重建质量。关键贡献包括：
• 一个轻量级变化检测模块。
• 首个动态局部高斯优化器。
• 支持场景历史恢复和并发更新应用。

---

2. ​方法详述​

CL-Splats的工作流程分为三步：2D变化检测、3D变化提升和局部优化。输入包括前一时刻的高斯溅射重建 Gt−1 和新视图图像 It。

​2.1 2D变化检测​

• ​相机姿态对齐​：使用COLMAP估计新图像的相机姿态，确保与现有重建坐标系一致。
• ​特征提取与比较​：利用DINOv2特征提取器 E，计算渲染图像 I^it−1​（从 Gt−1 渲染）和真实图像 Iit​ 的每块特征图：
  F^it−1​=E(I