动态场景的 3D 重建一直有个难题：物体动得太快，画面就会出伪影、变色甚至消失。一个刚发表在 SIGGRAPH Asia 2025 的新方法 TrackerSplat，用"点追踪"技术解决了这个问题——在正式训练前，先让每个 3D 高斯"找对自己的位置"。

动态 3DGS 的痛点

3D Gaussian Splatting（3DGS）是过去两年最火的 3D 重建技术之一。它用一堆"高斯球"来表示场景，渲染速度快、质量高，已经被广泛用于机器人视觉、VR/AR 内容制作、数字孪生等领域。

但面对动态场景，3DGS 会"晕车"——当物体在帧与帧之间移动距离较大时，渲染结果会出现明显问题：

• 物体边缘褪色或变色：高速运动的人物、车辆，边缘可能出现"鬼影"或颜色异常
• 时间不一致性：同一物体在不同帧之间表现不一致
• 重建质量下降：大位移场景下，传统方法难以找到正确的初始位置

根本原因在于：现有方法依赖梯度下降来优化每个高斯的位置、旋转、缩放。如果初始位置偏差太大，优化器就会"迷路"，导致伪影。

TrackerSplat 的核心思路：先追踪，后优化

TrackerSplat 的创新很简单：在梯度优化之前，先用点追踪模型给每个高斯"指路"。

具体做法：

1. 提取像素轨迹：使用现成的点追踪模型（如 CoTracker），追踪视频中每个像素的运动轨迹
2. 三角化到 3D：将多视角的像素轨迹三角化，得到 3D 空间中的轨迹
3. 预定位高斯：根据轨迹信息，预先调整每个高斯的位置、旋转、缩放
4. 梯度优化：在预定位的基础上，再用传统的梯度优化微调

这相当于：先让高斯"找到自己的座位"，再开始"调整坐姿"。

好处：更快、更稳、可并行

这种方法带来几个明显优势：

1. 解决大位移问题

传统方法在相邻帧之间差异过大时会"崩溃"。TrackerSplat 通过点追踪预定位，即使帧间位移很大，也能正确初始化，显著减少褪色、变色伪影。

2. 支持隔帧处理

因为预定位效果好，不必处理每一帧。可以隔几帧处理一次，再插值中间帧。这意味着：

• 吞吐量提升：同样时间内处理更多帧
• 并行化：不同设备可以同时处理不同帧段，再合并

3. 使用现成模型，无需额外训练

TrackerSplat 直接调用已有的点追踪模型（如 CoTracker），不需要自己训练新模型。对于开发者来说，上手成本较低。

实验验证

研究团队在真实世界数据集上测试了 TrackerSplat，包括运动剧烈的场景（如快速移动的人物、车辆）。结果显示：

• 在大位移场景下，渲染质量显著优于基线方法
• 褪色、变色伪影明显减少
• 在多设备并行设置下，重建吞吐量提升，同时保持视觉质量

开源与可用性

代码已开源：https://github.com/yindaheng98/TrackerSplat

对于以下场景的开发者，这个项目值得关注：

• 机器人视觉：需要重建动态场景（如移动的机器人、行人）
• VR/AR 内容制作：需要实时或近实时的动态场景渲染
• 影视特效：需要高质量的动态场景重建

总结

TrackerSplat 用"先追踪后优化"的策略，让动态 3D 高斯重建在剧烈运动场景下更稳、更快。思路清晰、实现简单、代码开源——是一个对实践者友好的改进。

对于关注 3D 重建、Gaussian Splatting 的开发者，这篇论文值得一看。

---

来源：arXiv:2604.02586，发表于 SIGGRAPH Asia 2025 Conference Papers

代码：https://github.com/yindaheng98/TrackerSplat

参考来源

• https://arxiv.org/abs/2604.02586

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。