SplineGS: Learning Smooth Trajectories in Gaussian Splatting for Dynamic Scene Reconstruction
针对动态变形物体的复杂场景重建以实现新视角合成是一项极具挑战性的任务。近期研究通过引入三维高斯泼溅技术(3D Gaussian Splatting)，在静态场景的高质量快速重建方面取得了显著进展，其核心在于为高斯斑点的形变设计了专用模块。然而，如何设计一个能够有效融入适当时空归纳偏置的形变模块仍是一个亟待解决的问题。为此，本文提出SplineGS方法，通过采用非均匀有理B样条(NURBS)——B样条的扩展形式——来表征时间维度上的平滑形变。该方法基于NURBS学习一组代表性轨迹，并通过这些轨迹的线性组合来表达各高斯斑点的个体运动轨迹，从而确保空间平滑性。组合权重的优化则依托于以高斯斑点位置为键值的多分辨率哈希表和MLP网络协同完成。得益于这种创新设计，本方法无需对运动轨迹施加正则化约束即可实现高效训练。实验结果表明，所提方法在保持训练时间大幅缩短的同时，其性能较现有方法具有显著竞争力。