AD-GS：稀疏视角 3D Gaussian Splatting 的“交替致密化”，同时抑制浮游物与保留细节

一句话版结论

AD-GS 的核心是把 3DGS 的“致密化（densification）”做成高/低两个相互交替的阶段：

• 高致密化：用更宽松的阈值积极分裂/克隆高残差区域的高斯，专注恢复高频细节（仅用光度损失训练）；
• 低致密化：用更严格的阈值放缓致密化并强力剪枝（高不透明度阈值），同时加入伪视角一致性 + 边缘感知的深度平滑两种几何正则，专注几何稳定与抑制浮游物（floaters）。
  两相交替，既避免一味致密导致的“漂浮伪结构”，又避免全程强正则带来的过度平滑与细节丢失。

1. 背景：为什么稀疏视角下 3DGS 容易“翻车”

经典 3DGS 在多视角密集监督下很强，但输入视角稀疏时会出现：

• 浮游物（floaters）：不在真实表面上的错误高斯，常出现在致密化随机分裂后；
• 几何不准 & 过拟合：受限观察导致“就近拟合”训练视图，跨视角一致性差；
• 不受控致密化：分裂/克隆容易把高斯“撒偏”，后续还会围绕它继续增殖，问题滚雪球。
  AD-GS 的目标，就是在不引入外部深度先验的前提下，仅靠训练机制设计，抑制浮游物并保细节。

2. 方法概览：交替致密化（Alternating Densification）

训练由三个阶段按周期交替进行（两套 3DGS 模型并行训练，用于后续的一致性约束）：

1. Warm-Up 预热：仅用光度损失（L1 + SSIM）分别训练两套模型，得到稳定初始化。

2. 低致密化阶段（Low-Dfn，几何整形）

   • 强剪枝：提高不透明度阈值，去除低 α 的可疑高斯；

   • 慢致密：提高梯度阈值，放缓克隆/分裂；

   • 几何正则（本阶段才启用）

     • 伪视角一致性：对训练视角的小扰动视角，约束两模型渲染结果一致；
     • 边缘感知深度平滑：在纹理平坦处鼓励深度光滑，在图像边缘保留深度突变；

3. 高致密化阶段（High-Dfn，细节恢复）

   • 快致密：回到较低的梯度阈值，积极克隆/分裂补细节；
   • 仅光度损失：拿掉几何正则，避免过平滑影响细节生长。

关键设计：几何正则只在低致密化阶段使用。若全程使用，会抑制细节（论文对比 CoR-GS 的平滑问题即源于此）。

3. 损失函数与优化要点

• 光度损失（训练视角）：
• 伪视角一致性（两模型间，伪视角渲染 u）：
• 
• 低致密化阶段的总损失：
• 

        高致密化阶段仅用

4. 训练流程（伪代码）

# 两套模型 G1, G2；循环交替执行
for phase in training_schedule:
    if phase == "warmup":
        # 仅光度损失
        train(G1, loss=L_ph); train(G2, loss=L_ph)

    elif phase == "low_densify":
        # 强剪枝 + 慢致密
        prune_with_high_alpha_threshold(G1); slow_densify(G1)
        prune_with_high_alpha_threshold(G2); slow_densify(G2)
        # 几何正则：伪视角一致 + 边缘感知深度平滑
        u = make_pseudo_view(perturb(train_view))
        train(G1, loss=L_ph + L_tds(G1,u) + L_pseudo(G1,G2,u))
        train(G2, loss=L_ph + L_tds(G2,u) + L_pseudo(G1,G2,u))

    elif phase == "high_densify":
        # 快致密（积极克隆/分裂），仅光度
        fast_densify(G1); train(G1, loss=L_ph)
        fast_densify(G2); train(G2, loss=L_ph)

实现提示：

• slow_densify/fast_densify 通过梯度范数阈值控制；
• prune_with_high_alpha_threshold 用更高 α 阈值清除半透明“浮游物”；
• 伪视角 u 可对训练相机做小幅位姿扰动生成。

5. 与相关工作对比（稀疏视角场景）

AD-GS 的创新在于：不依赖外部深度，只靠训练节律和损失编排，就能兼顾细节与几何稳定。

6. 结果速览（代表性数字）

• LLFF（3 视角）：SSIM 0.699（CoR-GS 0.674；DropGaussian 0.674/0.266→LPIPS 0.237），细节 & 感知质量均提升；
• Tanks&Temples（9 视角）：LPIPS 0.113（优于 3DGS/CoR-GS/DropGaussian），同时 PSNR/SSIM 更高；
• Mip-NeRF360（12 视角）：SSIM 0.593（高于 CoR-GS 0.579、DropGaussian 0.575）。

7. 消融结论

• 去掉交替致密化 → SSIM 明显下降，说明“快慢结合”的必要性；
• 去掉交替损失（几何正则） → 深度图噪声与结构差，浮游物难抑；
• 全程都用几何正则 → 细节恢复受抑（过正则化）。
  最佳实践就是论文主张的“阶段性几何正则 + 阶段性激进致密”。

8. 复现与落地建议

• 双模型并行：保证显存，或降低分辨率/批量。

• 阈值与节律：

  • 高/低致密化的迭代配比与梯度阈值是关键调参点；
  • 低致密阶段α 剪枝宜更激进；

• 伪视角生成：对训练视角做小扰动（平移/旋转少量），避免与训练分布偏离过远；

• 损失权重：

• 工程化：把致密化与剪枝封装成策略类，便于切换“高/低模式”；深度平滑用渲染深度直接计算梯度即可。

9. 局限与展望

• 资源开销：双模型训练增加显存与算力；
• 一致性“共错”问题：两模型若在伪视角上犯“同类错误”，一致性约束难以纠偏；
• 事后纠偏：当前更多是“致密后再纠正”，未来可研究几何一致的致密化策略，甚至学习型自适应致密化调度。

10. 给不同读者的快速建议

• 做应用/比赛：把 AD-GS 当作稳健化外壳套在 3DGS 训练外层，用默认节律先跑基线，优先调“高/低阶段时长 + 剪枝阈值”。
• 做研究：可沿“致密化策略学习”“可变节律调度”“与生成先验（扩散/分割/法线）结合”三条线深入。

结语

AD-GS 用简单而有效的训练节律设计，把稀疏视角 3DGS 中“细节恢复”和“几何稳定”这对老难题，做到了同向提升。如果你在少视角、含弱纹理场景里一直被浮游物和过平滑折磨，不妨把“交替致密化 + 阶段性几何正则”的套路搬进你的代码仓。

参考论文：AD-GS: Alternating Densification for Sparse-Input 3D Gaussian Splatting（ACM TOG，2025，arXiv:2509.11003）