Curve-Aware Gaussian Splatting for 3D Parametric Curve Reconstruction¶

会议: ICCV 2025
arXiv: 2506.21401
代码: 项目页面
领域: 3D视觉
关键词: 参数曲线重建, 3DGS, Bézier曲线, 端到端优化, 边缘重建

一句话总结¶

提出 CurveGaussian，通过在参数曲线与边缘导向高斯原语之间建立双向耦合机制，实现从多视图边缘图直接端到端优化 3D 参数曲线的一阶段方法，消除了两阶段管线的误差累积，在精度、效率和紧凑性上全面超越先前方法。

研究背景与动机¶

参数曲线是 CAD/工业应用中不可或缺的基本几何原语，精确从多视图图像重建参数曲线是一个重要问题。

两阶段方法的根本局限: 1. 现有方法（NEF, EMAP, EdgeGaussians）都遵循 "边缘点云重建 → 参数曲线拟合" 的两阶段管线

误差累积: 2D 边缘检测噪声传播到 3D 点云，再传播到参数曲线拟合，导致多余分支和断裂

贪婪拟合局部最优: RANSAC 等迭代拟合容易产生冗余曲线，且随场景复杂度指数增长

效率低: NEF 需 1.5 小时，EMAP 需 2.5 小时训练

核心挑战: 参数曲线天然不适合基于渲染的多视图优化（无可微渲染能力），而神经渲染框架（NeRF/3DGS）无法保持曲线的几何连续性。

解决思路: 建立参数曲线与高斯原语的 双向耦合，让高斯充当曲线的 "可渲染代理"，通过渲染损失反向传播直接优化曲线控制点。

方法详解¶

整体框架¶

输入: 多视图 2D 边缘图 + 相机位姿
输出: 一组 3D 参数曲线（三次 Bézier 曲线 + 一阶 Bézier 线段）
流程: 随机初始化曲线 → 曲线感知高斯溅射渲染 → 渲染损失反传优化控制点 → 自适应拓扑优化

关键设计¶

曲线-高斯双向耦合:
- 每条曲线 $c_j$ 均匀采样生成 $N=12$ 个高斯原语
- 高斯属性完全由曲线几何决定:
  - 位置: 锚定于曲线采样点 $\mathbf{p}_j(t_i)$，$t_i = \frac{i+0.5}{N}$
  - 方向: 主轴 $\mathbf{v}_0$ 对齐曲线切线 $\mathbf{T}_j(t_i)$，其余轴正交化
  - 尺度: $\mathbf{s}^{j,i} = [\|\Delta\mathbf{p}_j^i\|, d_j, d_j]^\top$，主轴远大于其余轴，形成 棒状边缘导向高斯
  - 不透明度: 继承父曲线属性 $o_j$
- 引入可学习的 重要性掩码 $m^{j,i} \in [0,1]$，自动识别冗余曲线段
- 双向性: 高斯属性由曲线参数约束，渲染梯度反传更新曲线控制点
参数曲线表示:
- 三次 Bézier 曲线: 4 个控制点，$\mathbf{c}_j(t) = \sum_{k=0}^{3} B_k^3(t)\mathbf{P}_j^k$
- 一阶 Bézier（线段）: 2 个端点，$\mathbf{c}_j(t) = (1-t)\mathbf{P}_j^0 + t\mathbf{P}_j^1$
- 每条曲线附加 opacity $o_j$ 和 thickness $d_j$
自适应拓扑优化（四种策略）:
- 线性化: 若三次 Bézier 接近直线（采样点到拟合直线的均方误差 $< \tau_l$），替换为一阶 Bézier
- 合并: 相邻线段方向角 $\theta < \tau_{la}$ 且端点距离 $d < \tau_{ld}$ 时合并；相邻 Bézier 若合并后误差 $< \tau_b$ 也合并
- 分裂: 检测到几何突变（相邻高斯主轴夹角 $> \theta_s$）时在突变点分裂；掩码过低段（$m_j^i < \tau_m$）时移除并保留两侧
- 剪枝: opacity $< \tau_d$ 或所有高斯掩码均低于阈值时移除整条曲线
- 时序安排: 3k 迭代开始线性化，7k 开始合并，每 1k 迭代执行一次

损失函数 / 训练策略¶

边缘感知渲染损失 ——解决边缘像素稀疏导致的梯度坍塌: $$\mathcal{L}_{edge} = \frac{|M_I|}{|E_I|}\sum_{i \in N_I}\|I_i - \hat{I}_i\|_2^2 + \frac{|N_I|}{|E_I|}\sum_{i \in M_I}\|I_i - \hat{I}_i\|_2^2$$ 用互补权重平衡边缘/非边缘像素的贡献。

平滑连接正则: $\mathcal{L}_{conn}$ — 最小化相邻曲线端点距离
曲线平滑正则: $\mathcal{L}_{smo}$ — 最小化相邻高斯方向差异
简洁正则: $\mathcal{L}_{reg} = \sum \log(1 + o_j^2/0.5)$ — 鼓励低 opacity 曲线被剪枝
掩码损失: $\mathcal{L}_m$ — 消除冗余高斯

总损失: $\mathcal{L}_{all} = \mathcal{L}_{edge} + \lambda_1\mathcal{L}_{conn} + \lambda_2\mathcal{L}_{smo} + \lambda_3\mathcal{L}_{reg} + \lambda_4\mathcal{L}_m$

训练 10k 迭代，7k 后固定 opacity 并启用掩码损失。

实验关键数据¶

主实验¶

ABC-NEF 数据集（82 个 ABC 模型，DexiNed 边缘检测器）:

方法	Acc.↓	Comp.↓	F5↑	F10↑	F20↑	时间↓
NEF	21.9	15.7	10.8	42.1	76.8	1.5 h
EMAP	8.8	8.9	59.1	88.9	94.9	2.5 h
EdgeGaussians	9.6	8.4	45.2	93.7	95.7	4 min
Ours	8.2	7.5	73.7	94.0	96.2	3 min

效率与紧凑性对比:

方法	训练时间↓	Bézier数↓	线段数↓	总曲线数↓
NEF	1.5 h	22.9	0	22.9
EMAP	2.5 h	9.2	36.6	45.8
EdgeGaussians	4 min	13.0	84.9	97.9
Ours	3 min	6.9	22.0	28.9

消融实验¶

关键组件消融效果:

配置	Acc.↓	Comp.↓	F5↑	说明
w/o 边缘感知损失	退化	退化	退化	梯度坍塌
w/o 拓扑优化	噪声增加	增加	下降	无法消除冗余
w/o 平滑正则	断裂增加	增加	下降	曲线不平滑
完整模型	8.2	7.5	73.7	-

关键发现¶

精度提升 14.5%: F5 从 EdgeGaussians 的 45.2% 提升至 73.7%（DexiNed）
曲线数减少 70.5%: 总曲线从 97.9 降至 28.9，重建更紧凑
训练加速 33%: 3 分钟 vs EdgeGaussians 的 4 分钟
在 Replica 真实场景中，本方法生成的参数曲线更完整且冗余更少

亮点与洞察¶

范式突破: 从两阶段到一阶段，直接在参数空间优化，从根本上解决误差累积
优雅的耦合设计: 棒状高斯完美贴合曲线几何（主轴=切线、主尺度=段长、副尺度=线宽），使渲染梯度自然流向控制点
自适应拓扑: 训练中从大量初始曲线逐步精炼到少量精确曲线，与传统 3DGS 的 "从少到多" 相反
参数极致紧凑: 每条曲线仅需 4 个控制点 + 2 个标量，远少于独立高斯的参数量

局限与展望¶

依赖 2D 边缘检测器的质量（不同检测器影响 ~15% 的 F5）
随机初始化可能需要更多迭代才能收敛到最优拓扑
仅支持三次和一阶 Bézier，未覆盖 NURBS 等更一般的参数曲线
未探索结合语义信息的曲线分组

评分¶

新颖性: ⭐⭐⭐⭐⭐ (一阶段参数曲线优化 + 曲线-高斯耦合)
技术深度: ⭐⭐⭐⭐ (完整的自适应拓扑策略)
实验充分度: ⭐⭐⭐⭐ (多数据集+效率对比+消融)
实用价值: ⭐⭐⭐⭐ (3分钟训练、紧凑输出，适合 CAD 管线)