3DGS-to-PC: 3D Gaussian Splatting to Dense Point Clouds
Notice bibliographique
Résumé
3D Gaussian Splatting (3DGS) excels at producing highly detailed 3D reconstructions, but these scenes often require specialised renderers for effective visualisation. In contrast, point clouds are a widely used 3D representation and are compatible with most popular 3D processing soft-ware packages. In this work, we introduce 3DGS-to-PC, a highly customisable framework for transforming 3DGS scenes into dense, accurate point clouds. We first render new Gaussian colours by calculating the visual contributions that each Gaussian made to each pixel, and then as-signing these Gaussians with the colour of the pixel they contributed most to. We then remove Gaussians that contribute little to the scene, reducing noise. Finally, we gen-erate new points by sampling from each Gaussian as a mul-tivariate normal distribution, while removing erroneously generated points. The number of points per Gaussian is determined based on its relative scale and pixel contributions. The result is a dense point cloud that accurately represents each scene. At time of writing, there is no ded-icated method for converting a 3DGS scene into a point cloud. We evaluate our method against 3DGS meshing techniques - from which points can be sampled - and show that our method is competitive with state-of-the-art approaches that require training of the scene, while performing more efficiently than standard meshing methods, such as Pois-son Surface Reconstruction. 3DGS-to-PC is efficient, typically taking under a minute to process complex scenes, thus providing an effective tool for converting 3DGS data into robust point clouds. Our codebase can be accessed via https://github.com/Lewis-Stuart-11/3DGS-to-PC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».