逐视图高斯预测使前馈式 3DGS 能够在无需训练的情况下进行干扰物过滤

前馈式 3D Gaussian Splatting 通过一次网络执行从多张输入图像重建显式高斯表示，使 3D 重建对随手拍摄场景变得日益易于获取。然而，这类拍摄中常常包含只出现在部分视图中的瞬态物体。这类内容可以被编码到与观察到它的输入对应的逐视图高斯中，并在合并表示中保留下来，尽管没有其他输入观察到它。结果，它可能在新视图中产生模糊、重复或悬浮伪影。我们提出一种无需训练的过滤流程，利用这种逐视图预测结构。对于每个输入，我们排除其对应的高斯，并用剩余表示渲染同一相机视角，从而显露出与其他输入不一致的内容。特征相似性形成候选区域，而基于渲染的验证只保留那些移除后会降低其他输入视图重建误差的候选项。该流程在单次冻结预测上运行，无需重新训练或针对特定场景优化。在三个重建模型和两个干扰物基准上，它在不同输入视图数量下都能稳定提升新视角质量。在干净场景上，跨四个模型的评估表明，原始重建基本得以保留。