EntON: Eigenentropy-Optimized Neighborhood Densification in 3D Gaussian Splatting

📄 arXiv: 2603.06216v1 📥 PDF

作者: Miriam Jäger, Boris Jutzi

分类: cs.CV

发布日期: 2026-03-06

备注: Submitted to ISPRS Journal of Photogrammetry and Remote Sensing on 20 February 2026

💡 一句话要点

EntON：基于特征熵优化的3D高斯溅射邻域稠密化，提升几何精度与渲染质量。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D高斯溅射 三维重建 特征熵 邻域稠密化 几何精度 渲染质量

📋 核心要点

  1. 传统3DGS方法在几何结构对齐方面存在不足，而表面重建方法又牺牲了光度精度，难以兼顾。
  2. EntON通过引入特征熵，指导高斯分布的自适应分裂和剪枝，从而实现几何感知稠密化。
  3. 实验结果表明，EntON在提升几何精度和渲染质量的同时，还能减少高斯分布数量和训练时间。

📝 摘要（中文）

本文提出了一种新颖的特征熵优化邻域稠密化策略EntON，用于3D高斯溅射(3DGS)，旨在实现几何精确且高质量的3D重建。传统的3DGS方法生成的高斯分布中心和表面与底层对象几何结构对齐较差，而专注于表面的重建方法通常会牺牲光度精度。与依赖于视空间位置梯度大小的传统稠密化策略不同，我们的方法引入了一种几何感知策略来指导自适应分裂和剪枝。具体来说，我们从每个高斯中心k近邻的协方差矩阵的特征值中计算3D形状特征特征熵，该特征熵量化了局部结构顺序。这些特征熵值被集成到交替优化框架中：在优化过程中，该算法在(i)标准梯度稠密化(通过视空间梯度细化区域)和(ii)特征熵感知稠密化(优先稠密化低特征熵(有序、平坦)邻域中的高斯分布，以更好地捕获对象表面上的精细几何细节，并剪枝高特征熵(无序、球形)区域中的高斯分布)之间交替进行。我们在两个基准数据集上提供了定量和定性评估：小规模DTU数据集和大规模TUM2TWIN数据集，涵盖人造物体和城市场景。实验表明，我们的特征熵感知交替稠密化策略将几何精度提高了高达33%，渲染质量提高了高达7%，同时将高斯分布的数量减少了高达50%，训练时间减少了高达23%。总的来说，EnTON通过避免不必要的场景扩展，在几何精度、渲染质量和效率之间实现了良好的平衡。

🔬 方法详解

问题定义：现有3D高斯溅射方法在重建3D场景时，存在几何精度不足的问题。传统方法生成的高斯分布中心和表面与真实几何结构对齐较差，导致重建结果不够精确。同时，一些专注于表面重建的方法又会牺牲光度精度，无法保证渲染质量。因此，如何在保证渲染质量的前提下，提升3D高斯溅射的几何精度是一个关键问题。

核心思路：EntON的核心思路是利用特征熵来指导高斯分布的稠密化过程。特征熵能够量化局部结构的有序程度，低特征熵表示局部结构有序、平坦，适合进行稠密化以捕捉精细几何细节；高特征熵表示局部结构无序、球形，适合进行剪枝以减少冗余。通过这种几何感知的稠密化策略，EntON能够更有效地利用高斯分布来表示场景几何结构。

技术框架：EntON采用交替优化框架。该框架包含两个主要阶段：(1)标准梯度稠密化：利用视空间梯度信息对场景进行初步稠密化，细化区域。(2)特征熵感知稠密化：计算每个高斯中心k近邻的特征熵，并根据特征熵值进行自适应分裂和剪枝。这两个阶段交替进行，直到收敛。

关键创新：EntON最重要的技术创新点在于引入了特征熵作为稠密化过程的指导信号。与传统的基于视空间梯度的方法不同，EntON能够感知局部几何结构的有序程度，从而更精确地控制高斯分布的稠密化和剪枝。这种几何感知的策略能够显著提升重建结果的几何精度。

关键设计：EntON的关键设计包括：(1)特征熵的计算方式：通过计算高斯中心k近邻的协方差矩阵的特征值，并利用这些特征值计算特征熵。(2)交替优化策略：标准梯度稠密化和特征熵感知稠密化交替进行，以实现全局优化。(3)分裂和剪枝阈值的设置：根据特征熵值设置分裂和剪枝的阈值，以控制高斯分布的数量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EntON在DTU和TUM2TWIN数据集上均取得了显著的性能提升。在几何精度方面，EntON相比现有方法提升了高达33%；在渲染质量方面，提升了高达7%。同时，EntON还能够减少高达50%的高斯分布数量，并将训练时间减少高达23%。这些结果表明，EntON在几何精度、渲染质量和效率之间实现了良好的平衡。

🎯 应用场景

EntON技术可应用于三维重建、虚拟现实、增强现实、机器人导航等领域。该技术能够提升三维场景的重建精度和渲染质量，为用户提供更逼真的视觉体验。在机器人导航领域，精确的三维场景重建可以帮助机器人更好地理解周围环境，从而实现更安全、更高效的导航。

📄 摘要（原文）

We present a novel Eigenentropy-optimized neighboorhood densification strategy EntON in 3D Gaussian Splatting (3DGS) for geometrically accurate and high-quality rendered 3D reconstruction. While standard 3DGS produces Gaussians whose centers and surfaces are poorly aligned with the underlying object geometry, surface-focused reconstruction methods frequently sacrifice photometric accuracy. In contrast to the conventional densification strategy, which relies on the magnitude of the view-space position gradient, our approach introduces a geometry-aware strategy to guide adaptive splitting and pruning. Specifically, we compute the 3D shape feature Eigenentropy from the eigenvalues of the covariance matrix in the k-nearest neighborhood of each Gaussian center, which quantifies the local structural order. These Eigenentropy values are integrated into an alternating optimization framework: During the optimization process, the algorithm alternates between (i) standard gradient-based densification, which refines regions via view-space gradients, and (ii) Eigenentropy-aware densification, which preferentially densifies Gaussians in low-Eigenentropy (ordered, flat) neighborhoods to better capture fine geometric details on the object surface, and prunes those in high-Eigenentropy (disordered, spherical) regions. We provide quantitative and qualitative evaluations on two benchmark datasets: small-scale DTU dataset and large-scale TUM2TWIN dataset, covering man-made objects and urban scenes. Experiments demonstrate that our Eigenentropy-aware alternating densification strategy improves geometric accuracy by up to 33% and rendering quality by up to 7%, while reducing the number of Gaussians by up to 50% and training time by up to 23%. Overall, EnTON achieves a favorable balance between geometric accuracy, rendering quality and efficiency by avoiding unnecessary scene expansion.