Structured-Li-GS：結合LiDAR與空間約束的結構化3D高斯潑濺
本研究提出Structured-Li-GS，一種融合LiDAR-慣性-視覺SLAM的輕量級3D高斯潑濺框架。透過訓練精確密集的彩色點雲，該方法以更少的高斯原語實現高質量3D重建，無需高斯稠密化，並採用多種損失函式引導。實驗表明，在基準資料集和自有資料集上，該方法以中等模型尺寸超越現有技術。
在三維重建領域，如何高效且高質量地從感測器資料中恢復場景幾何與外觀一直是研究熱點。近日，來自中國的研究團隊在arXiv上提交了一篇題為“Structured-Li-GS: Structured 3D Gaussians Splatting with LiDAR Incorporation and Spatial Constraints”的論文，提出了一種名為Structured-Li-GS的新框架，該框架創新性地將LiDAR（光檢測與測距）資料與3D高斯潑濺（3DGS）技術深度融合，旨在實現更輕量級、更精確的三維重建。該成果已被2026年ISPRS大會接收，並於2026年6月25日釋出預印本。
Structured-Li-GS的核心思想是利用LiDAR-慣性-視覺SLAM系統所產生的精確、密集且帶有顏色資訊的點雲來指導高斯潑濺的過程。與傳統的3DGS方法不同，Structured-Li-GS並非隨機初始化高斯原語，而是透過對點雲進行子取樣，將高斯原語錨定在這些子取樣點上，並利用區域性表面幾何資訊（如法向量和曲率）來初始化高斯橢球體的引數（包括位置、協方差和不透明度）。這種結構化初始化方法有效減少了所需高斯原語的數量，從而降低了模型複雜度。
在訓練階段，Structured-Li-GS採用了一種綜合損失函式策略，包括光度損失（衡量渲染影像與真實影像的差異）、扁平化損失（促使高斯原語貼合表面）、偏移損失（約束高斯中心在表面附近）、深度損失（利用LiDAR深度資訊）和法線損失（引導高斯法線與表面法線一致）。透過這些損失的聯合最佳化，模型能夠在不進行高斯稠密化的情況下實現高質量重建，同時生成具有真實尺度和高保真度的結果，且模型尺寸適中。
為了驗證方法的有效性，研究團隊自行開發了一款硬體同步的LiDAR-相機手持掃描器，用於採集真實世界的室內外場景資料。在多個公開基準資料集以及自建資料集上的實驗結果表明，Structured-Li-GS在重建質量（如PSNR、SSIM、LPIPS等指標）上超越了當前最先進的方法，同時使用了更少的高斯原語。這一成果為即時或近即時的三維重建應用（如自動駕駛、機器人導航、增強現實等）提供了新的可能性。