MoonGS：以深度基础表示增强稀疏月面高斯重建
MoonGS: High-quality Representation of the Lunar Surface via Gaussian Splatting Using Robust Depth Features from Image Pairs
摘要
利用稀疏的月球车图像对月球地形进行高质量 3D 重建对于自主月球探测来说是必不可少的，但由于视点重叠不足、表面纹理薄弱且数据量有限，因此仍然具有挑战性。我们提出了 MoonGS，这是第一个针对月球场景量身定制的前馈 3D 高斯 Splatting 框架。仅给定两个输入图像，MoonGS 在一次前向传递中预测像素对齐的高斯基元，并渲染逼真的新颖视图，而无需任何每个场景的优化。 MoonGS（i）采用适应性强的骨干模型设计，无缝集成先进的视觉基础模型以提取鲁棒的深度特征； (ii) 以两种方式整合语义先验：将语义线索与视觉特征合并以细化高斯参数估计，并采用正则化背景深度的语义排名损失； (iii)采用熵引导的启发式重采样策略，通过以可忽略的开销选择信息最丰富的远处视点来增强稀疏观测。 LuSNAR 基准测试和我们的合成弱纹理 MoonBlender 数据集的实验表明，MoonGS 超越了最先进的前馈 NeRF/3DGS 基线 +4.9 dB PSNR、+0.29 SSIM 和 40\% 的低 LPIPS，同时保持亚秒级推理。此外，我们通过证明我们的框架有效地利用最先进的 骨干模型（包括 VGGT）来显着提高性能，从而验证了我们的框架的广泛适用性。对嫦娥任务图像的定性评估也显示了比较方法中最好的视觉质量，表明真实月球数据的稳健性。源代码和数据集可在 https://github.com/InRobots/MoonBlender. 上公开获取
