High-fidelity 3D reconstruction of navel oranges using 3D Gaussian splatting
Huamao Zhou · Chao Zhou · Wenjie Zhong 等 7 人
提出结合深度学习特征匹配与3D高斯泼溅的脐橙高保真三维重建框架，解决弱纹理高光表面重建难题。
SuperPoint/SuperGlue特征匹配，空间-比色级联纯化初始化，3D
相比传统SfM，注册图像数、点云密度、轨迹长度显著提升，PSNR/SSIM/LPIPS指标改善，减少
可延伸至其他高光水果（如苹果、樱桃）的实时重建，或结合多视角动态表型监测，提升田间应用效率。
提出结合深度学习与3DGS的柑橘高保真重建方法，显著提升弱纹理高光表面重建质量，为智慧农业表型分析提供新方案。
高精度三维重建对于脐橙外部品质评估和表型参数提取至关重要。传统的运动恢复结构（Structure-from-Motion, SfM）流程难以应对脐橙表面弱纹理特性和高度镜面反射，导致重建不完整、点云稀疏以及严重的视觉伪影。为解决上述挑战，本研究开发了一种融合基于深度学习的特征匹配与三维高斯泼溅（3D Gaussian Splatting, 3DSG）的高保真三维重建框架。在稀疏重建阶段，采用SuperPoint检测器和SuperGlue匹配器，利用深度特征提取和图神经网络增强复杂表面上的匹配鲁棒性。针对3DGS初始化难题，提出了一种空间-比色级联净化策略——结合直通滤波、HSV掩膜和统计滤波——有效消除噪声并提供高置信度的初始化先验。随后，利用3DGS进行稠密重建和高保真神经渲染。实验结果表明，所开发框架在注册图像数量、点云密度和轨迹长度方面显著优于传统SfM流程。经3DGS优化的模型在定量指标（PSNR、SSIM和LPIPS）上表现出显著提升，有效减少了镜面伪影并增强了几何保真度。该方法为弱纹理和高镜面反射水果提供了一种高效的数字化建模解决方案，从而促进智慧农业中的表型分析。