⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-09-12 更新
SplatFill: 3D Scene Inpainting via Depth-Guided Gaussian Splatting
Authors:Mahtab Dahaghin, Milind G. Padalkar, Matteo Toso, Alessio Del Bue
3D Gaussian Splatting (3DGS) has enabled the creation of highly realistic 3D scene representations from sets of multi-view images. However, inpainting missing regions, whether due to occlusion or scene editing, remains a challenging task, often leading to blurry details, artifacts, and inconsistent geometry. In this work, we introduce SplatFill, a novel depth-guided approach for 3DGS scene inpainting that achieves state-of-the-art perceptual quality and improved efficiency. Our method combines two key ideas: (1) joint depth-based and object-based supervision to ensure inpainted Gaussians are accurately placed in 3D space and aligned with surrounding geometry, and (2) we propose a consistency-aware refinement scheme that selectively identifies and corrects inconsistent regions without disrupting the rest of the scene. Evaluations on the SPIn-NeRF dataset demonstrate that SplatFill not only surpasses existing NeRF-based and 3DGS-based inpainting methods in visual fidelity but also reduces training time by 24.5%. Qualitative results show our method delivers sharper details, fewer artifacts, and greater coherence across challenging viewpoints.
3D高斯拼贴（3DGS）技术能够从多视角图像集合中创建出高度逼真的3D场景表示。然而，由于遮挡或场景编辑导致的缺失区域补全仍然是一项具有挑战性的任务，常常导致细节模糊、出现伪影和不一致几何结构。在这项工作中，我们引入了SplatFill，这是一种用于3DGS场景补全的新型深度引导方法，它实现了最先进的感知质量和效率提升。我们的方法结合了两种关键思想：（1）基于联合深度和对象监督，确保补全的高斯可以准确放置在三维空间中并与周围几何结构对齐；（2）我们提出了一种一致性感知细化方案，能够有选择地识别和纠正不一致区域，而不会破坏其余场景。在SPIn-NeRF数据集上的评估表明，SplatFill不仅在视觉保真度上超越了现有基于NeRF和基于3DGS的补全方法，而且将训练时间缩短了24.5%。定性结果表明，我们的方法提供了更清晰的细节、更少的伪影，并且在具有挑战性的视角上表现出更大的连贯性。
论文及项目相关链接
Summary
本文介绍了SplatFill，一种新型深度引导的3DGS场景补全方法。它通过结合深度监督和对象监督确保补全的高斯分布在三维空间中的放置与周围几何结构对齐，并提出一种一致性感知的修正方案，有选择地识别和修正不一致区域而不干扰其他场景。SplatFill不仅超越了现有的NeRF和3DGS补全方法，提高了视觉保真度，还缩短了训练时间。
Key Takeaways
- SplatFill是一种用于3DGS场景补全的深度引导方法。
- 它通过结合深度监督和对象监督确保补全内容在三维空间中的准确性。
- SplatFill提出了一致性感知的修正方案，能够选择性识别和修正不一致区域，不影响其他场景。
- 在SPIn-NeRF数据集上的评估表明，SplatFill在视觉保真度方面超越了现有的NeRF和3DGS补全方法。
- SplatFill缩短了训练时间。
- 定性结果显示，SplatFill提供了更清晰的细节、更少的伪影，并且在具有挑战性的视角下表现出更高的连贯性。
点此查看论文截图
