苏黎世联邦理工学院等发布！ShapeSplat: 大规模高斯泼溅数据集及其自监督预训练

主要观点总结

文章介绍了ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining的研究内容。该研究构建了一个大规模的3D高斯泼溅（3DGS）数据集，并利用该数据集进行无监督预训练以及分类和分割任务的有监督微调。同时，文章还探讨了高斯泼溅（GS）中心点的分布变化对任务性能的影响，并提出了在归一化特征空间中进行高斯特征分组的方法。

关键观点总结

关键观点1: 构建大规模的3DGS数据集

研究团队使用ShapeNet和ModelNet数据集构建了一个大规模的3DGS数据集，名为ShapeSplat，包含65,000个来自87个独特类别的对象。

关键观点2: 无监督预训练及有监督微调

研究团队利用自己的数据集进行无监督预训练，以及分类和分割任务的有监督微调。他们引入了Gaussian-MAE，突出了从高斯参数中进行表示学习的独特优势。

关键观点3: 探讨GS中心点的分布变化对任务性能的影响

研究发现优化后的高斯泼溅（GS）中心点的分布与初始化的均匀采样点云显著不同，这种分布变化会影响分类和分割任务的性能。

关键观点4: 高斯特征分组与泼溅池化层的引入

为了利用额外的高斯参数，研究团队提出了在归一化特征空间中进行高斯特征分组的方法，并引入了泼溅池化层，以提供定制化的解决方案，从而显著提高微调任务的性能。