💻 computer science

GS4City: Hierarchical Semantic Gaussian Splatting via City-Model Priors

GS4City एक पदानुक्रमित (hierarchical) सिमेंटिक गॉसियन स्प्लेटिंग फ्रेमवर्क पेश करता है जो ज्यामिति-आधारित मास्क उत्पन्न करने और दृश्य-सुसंगत इंस्टेंस पत्राचार स्थापित करने के लिए लेवल ऑफ डिटेल 3 सिटीजीएमएल (Level of Detail 3 CityGML) प्रायोर का लाभ उठाता है, जो शहरी पुनर्निर्माण के लिए मोटे तौर पर इमारतों और सूक्ष्म-स्तरीय सिमेंटिक सेगमेंटेशन दोनों में मौजूदा 2D-संचालित विधियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Qilin Zhang, Jinyu Zhu, Olaf Wysocki, Benjamin Busam, Boris Jutzi

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qilin Zhang, Jinyu Zhu, Olaf Wysocki, Benjamin Busam, Boris Jutzi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शहर के आश्चर्यजनक रूप से यथार्थवादी, 3D डिजिटल ट्विन को देख रहे हैं। आप इसमें घूम सकते हैं, एक ईंट तक ज़ूम कर सकते हैं, और खिड़की से प्रकाश को परावर्तित होते देख सकते हैं। 3D Gaussian Splatting यही करता है: यह लाखों छोटे, धुंधले "बादलों" (Gaussians) का उपयोग करके एक फोटोरियलिस्टिक 3D दुनिया बनाता है जो आपस में मिलकर ठोस वस्तुओं की तरह दिखते हैं।

हालाँकि, एक समस्या है। अभी, ये डिजिटल शहर सुंदर लेकिन बेवकूफ पेंटिंग्स की तरह हैं। ये दिखने में तो शानदार हैं, लेकिन अगर आप कंप्यूटर से पूछें, "उस इमारत का कौन सा हिस्सा खिड़की है?" या "मुझे सभी छतें दिखाओ," तो यह अक्सर भ्रमित हो जाता है। यह मान सकता है कि पूरी दीवार एक विशाल धब्बा है, या यह एक प्रतिबिंब (reflection) को असली दरवाज़े के रूप में समझ सकता है।

GS4City एक नया तरीका है जो इसे एक दिमाग और एक ब्लूप्रिंट देकर ठीक करता है।

यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) का उपयोग किया गया है:

1. समस्या: "अंधा चित्रकार" बनाम "ब्लूप्रिंट"

पुराना तरीका (2D फाउंडेशन मॉडल्स): कल्पना कीजिए कि एक चित्रकार केवल एक फोटो देखकर घर के अंदर क्या है, इसका अनुमान लगाने की कोशिश कर रहा है। यदि घर में एक चमकदार खिड़की है जिसमें आसमान का प्रतिबिंब दिख रहा है, तो चित्रकार सोच सकता है कि खिड़की वास्तव में नीले आसमान का एक हिस्सा है। यदि दस समान खिड़कियाँ एक पंक्ति में हैं, तो वह भ्रमित हो जाता है कि एक कहाँ समाप्त होती है और दूसरी कहाँ शुरू होती है। वर्तमान AI यही करता है; यह चित्रों के आधार पर अनुमान लगाता है, जिससे सीमाएँ धुंधली हो जाती हैं।
नया गुप्त हथियार (CityGML): शहरों के पास पहले से ही आधिकारिक डिजिटल ब्लूप्रिंट (जिन्हें CityGML कहा जाता है) होते हैं। ये केवल सुंदर चित्र नहीं हैं; ये सख्त, संरचित सूचियाँ हैं। वे जानते हैं: "यह एक इमारत है। उस इमारत के अंदर एक दीवार है। उस दीवार पर तीन खिड़कियाँ हैं।" वे पदानुक्रम (Hierarchy: Parent $\to$ Child) को जानते हैं।
टकराव: समस्या यह है कि "ब्लूप्रिंट" (CityGML) कठोर, सपाट बहुभुजों (polygons) से बना है, जबकि "चित्रकार" (3D Gaussian Splatting) धुंधले, तैरते बादलों का उपयोग करता है। आप ब्लूप्रिंट को बादलों पर बस चिपका नहीं सकते; वे एक ही भाषा नहीं बोलते।

2. समाधान: GS4City (एक "अनुवादक")

GS4City एक सुपर-स्मार्ट अनुवादक के रूप में कार्य करता है जो ब्लूप्रिंट के कठोर तर्क को 3D बादलों के सुंदर दृश्यों के साथ जोड़ता है।

चरण A: "दो-चरण" वाली टॉर्च (Raycasting)

कल्पना कीजिए कि आप शहर के ब्लूप्रिंट पर कैमरा फोटो पर एक टॉर्च की रोशनी डाल रहे हैं।

चरण 1: टॉर्च एक दीवार के सामने टकराती है। कंप्यूटर कहता है, "ठीक है, यह एक दीवार है।"
समस्या: क्या होगा यदि उस दीवार में एक खिड़की है? टॉर्च दीवार से टकराती है और खिड़की को पीछे छोड़ देती है।
चरण 2 (जादू): GS4City ब्लूप्रिंट के "फैमिली ट्री" ज्ञान का उपयोग करता है। यह जानता है, "हे, उस दीवार का एक 'चाइल्ड' (child) है जिसे 'खिड़की' कहा जाता है। आइए विशेष रूप से दीवार के पीछे की खिड़की को देखें।" यह खिड़की को खोजने के लिए दीवार के पीछे झाँकता है और उसे सही ढंग से लेबल करता है। यह सुनिश्चित करता है कि इमारत का कोई भी हिस्सा खो न जाए।

चरण B: "पार्टी मिक्स" (Mask Fusion)

अब, कंप्यूटर के पास लेबल की दो सूचियाँ हैं:

ब्लूप्रिंट सूची: इमारतों, दीवारों और खिड़कियों के लिए उत्तम है, लेकिन यह इमारतों के बाहर के पेड़ों, कारों या लोगों के बारे में नहीं जानता।
AI विज़न सूची: पेड़ों, कारों और लोगों को पहचानने में माहिर है, लेकिन दीवार और खिड़की के बीच अंतर करने में खराब है।

GS4City इन सूचियों को एक पार्टी के DJ की तरह मिलाता है। यह कहता है: "इमारत के हिस्सों के लिए, मैं ब्लूप्रिंट पर भरोसा करूँगा क्योंकि यह सटीक है। पेड़ों और कारों के लिए, मैं AI विज़न पर भरोसा करूँगा क्योंकि ब्लूप्रिंट में वे मौजूद नहीं हैं।" यह पूरे दृश्य का एक पूर्ण, एकीकृत मानचित्र बनाता है।

चरण C: बादलों को सिखाना (Identity Learning)

अंत में, GS4City लाखों धुंधले 3D बादलों को यह "याद रखने" के लिए सिखाता है कि वे क्या हैं।

यह प्रत्येक बादल को एक छोटा ID कार्ड देता है।
यह एकीकृत मानचित्र (चरण B से) को देखता है और कहता है, "तुम, बादल, 'खिड़की' ID का हिस्सा हो। तुम, बादल, 'पेड़' ID के हिस्सा हो।"
यह यह भी सुनिश्चित करता है कि 3D स्पेस में एक-दूसरे के करीब स्थित बादल इस बात पर सहमत हों कि वे क्या हैं (ताकि आधी खिड़की लाल और दूसरी आधी नीली न हो)।

3. परिणाम: एक शहर जिससे आप प्रश्न पूछ सकते हैं

GS4City से पहले, यदि आप 3D शहर से पूछते, "मुझे सभी खिड़कियाँ दिखाओ," तो यह एक अस्त-व्यस्त, धुंधला अनुमान दिखा सकता था।

GS4City के साथ, शहर संरचित और स्मार्ट हो जाता है:

पदानुक्रम (Hierarchy): आप "इमारत" मांग सकते हैं, और यह पूरी चीज़ को दिखाता है। आप "छत" मांग सकते हैं, और यह केवल छत को अलग करता है। आप "दूसरी मंजिल की खिड़की" मांग सकते हैं, और यह बिल्कुल उसे ढूंढ लेता है।
सटीकता: इसके किनारे तीखे हैं। यह जानता है कि दीवार कहाँ समाप्त होती है और खिड़की कहाँ शुरू होती है।
गति: यह मूल 3D स्प्लेटिंग की तरह ही रियल-टाइम में रेंडर करने के लिए पर्याप्त तेज़ है।

यह क्यों महत्वपूर्ण है

इसे एक फोटो एल्बम से स्मार्ट डेटाबेस में अपग्रेड करने जैसा समझें।

पुराना तरीका: आपके पास एक घर की फोटो है। आप इसे देख सकते हैं, लेकिन आप मैन्युअल रूप से ट्रेस किए बिना खिड़कियों को गिन नहीं सकते या छत को दीवारों से अलग नहीं कर सकते।
GS4City: आपके पास घर की एक ऐसी फोटो है जो जानती है कि वह एक घर है। वह जानती है कि छत दीवारों से अलग है। यदि आप छत पर क्लिक करते हैं, तो यह छत को हाइलाइट करता है। यदि आप खिड़की पर क्लिक करते हैं, तो यह खिड़की को हाइलाइट करता है।

संक्षेप में: GS4City उस बिखरी हुई, सुंदर 3D दुनिया को लेता है जिसे हम देख सकते हैं और उसे एक शहर योजनाकार के व्यवस्थित, संरचित दिमाग से जोड़ देता है, जिससे हम अपने डिजिटल शहरों को पूर्ण सटीकता के साथ एक्सप्लोर और क्वेरी कर सकते हैं।

यहाँ शोध पत्र "GS4City: Hierarchical Semantic Gaussian Splatting via City-Model Priors" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

हालिया प्रगति ने 3D Gaussian Splatting (3DGS) को बड़े पैमाने के दृश्यों के उच्च-निष्ठा (high-fidelity), वास्तविक समय के रेंडरिंग में सक्षम बनाया है। हालाँकि, 3DGS को सिमेंटिक शहरी समझ (semantic urban understanding) तक विस्तारित करने में महत्वपूर्ण चुनौतियाँ आती हैं:

2D फाउंडेशन मॉडल्स की सीमाएँ: वर्तमान सिमेंटिक 3DGS विधियाँ काफी हद तक 2D फाउंडेशन मॉडल्स (जैसे, CLIP, GroundingDINO) पर निर्भर करती हैं। सामान्य ऑब्जेक्ट डिस्कवरी के लिए प्रभावी होने के बावजूद, वे उन शहरी अग्रभागों (urban facades) के साथ संघर्ष करती हैं जो दोहराव वाले पैटर्न, परावर्तक सामग्री (reflective materials) और मजबूत अवरोधों (occlusions) से युक्त होते हैं। इससे अस्पष्ट सीमाएँ उत्पन्न होती हैं और इमारतों की पदानुक्रमित भाग-पूर्ण संरचना (hierarchical part-whole structure) को बनाए रखने में विफलता होती है (जैसे, खिड़कियों को दीवारों से, या दीवारों को पूरी इमारत से अलग करने में)।
प्रतिनिधित्व बेमेल (Representation Mismatch): संरचित 3D सिटी मॉडल (जैसे, CityGML) समृद्ध, पदानुक्रमित सिमेंटिक डेटा (LoD3) रखते हैं जिसमें स्पष्ट पैरेंट-चाइल्ड संबंध (इमारत $\to$ दीवार $\to$ खिड़की) होते हैं। हालाँकि, ये मॉडल डिस्क्रीट पॉलिगोनल सतहों पर सिमेंटिक्स को परिभाषित करते हैं, जबकि 3DGS दृश्यों को बिना किसी स्पष्ट सतह स्वामित्व के अल्फा-कंपोजिटेड गौसियन प्रिमिटिव्स का उपयोग करके प्रस्तुत करता है। ज्यामितीय मिसअलाइनमेंट और फ्लोटिंग आर्टिफैक्ट्स के कारण CityGML से लेबल्स को सीधे Gaussians में स्थानांतरित करना अविश्वसनीय है।

लक्ष्य: एक ऐसा 3DGS प्रतिनिधित्व बनाना जो न केवल फोटो-रियलिस्टिक हो, बल्कि पदानुक्रमित (hierarchical), ज्यामिति-संरेखित (geometry-aligned), और क्वेरेबल (queryable) भी हो, जो संरचित सिटी मॉडल और असंरचित गौसियन दृश्यों के बीच के अंतर को प्रभावी ढंग से पाट सके।

2. कार्यप्रणाली: GS4City (Methodology: GS4City)

GS4City एक पाइपलाइन पेश करता है जो सिमेंटिक गौसियन प्रतिनिधित्व के सीखने को निर्देशित करने के लिए CityGML प्रायर्स (priors) को शामिल करता है। यह फ्रेमवर्क तीन चरणों में कार्य करता है (जैसा कि पेपर के चित्र 2 में दर्शाया गया है):

A. सिटी-मॉडल सिमेंटिक एक्सट्रैक्शन (दो-चरणीय रेकास्टिंग - Two-Pass Raycasting)

LoD3 CityGML मॉडल से विश्वसनीय सुपरविजन मास्क उत्पन्न करने के लिए:

प्रीप्रोसेसिंग: CityGML पदानुक्रम को एक सिमेंटिक टेबल में समतल (flattened) किया जाता है जहाँ प्रत्येक त्रिकोणीय फलक (triangle face) फीचर (इमारत), सरफेस (दीवार/छत), और पार्ट (खिड़की/दरवाजा) स्तरों के लिए ID विरासत में प्राप्त करता है।
ग्लोबल पास (Global Pass): मानक रेकास्टिंग मेष को प्रोजेक्ट करके प्रारंभिक मास्क उत्पन्न करती है।
पार्ट पास (Part Pass - रिकवरी): सिंगल-पास रेकास्टिंग अक्सर धंसे हुए तत्वों (जैसे, दीवार के अंदर खिड़कियाँ) का पता लगाने में विफल रहती है क्योंकि दीवार की सतह उन्हें बाधित करती है। GS4City विशेष रूप से पार्ट-लेवल ज्योमेट्री के लिए एक दूसरा पास करता है।
- यह जाँचता है कि क्या पार्ट-लेवल हिट ग्लोबल पास के अनुरूप है (अर्थात, पैरेंट सरफेस ID मेल खाता है और डेप्थ अंतर टॉलरेंस $\tau$ के भीतर है)।
- यदि सुसंगत है, तो सूक्ष्म (fine-grained) पार्ट ID, सरफेस ID को ओवरराइड कर देता है।
- परिणाम: एक उच्च-निष्ठा वाला, पदानुक्रमित इंस्टेंस मैप ( $M_{city}$ ) जो इमारत की संरचना को सुरक्षित रखता है और खिड़कियों एवं दरवाजों जैसे सूक्ष्म विवरणों को पुनः प्राप्त करता है।

B. मास्क फ्यूजन और इंस्टेंस लिंकिंग (Mask Fusion and Instance Linking)

चूँकि CityGML केवल इमारतों को कवर करता है, इसलिए इस विधि को गैर-इमारत वस्तुओं (पेड़, कारें, लोग) को एकीकृत करने के लिए फाउंडेशन मॉडल्स का उपयोग करना चाहिए।

फाउंडेशन मॉडल फ़िल्टरिंग: 2D फाउंडेशन मॉडल्स से प्राप्त कच्चे मास्क को फ़िल्टर किया जाता है। जो मास्क CityGML बिल्डिंग क्षेत्र के साथ महत्वपूर्ण रूप से ओवरलैप करते हैं, उन्हें "बिल्डिंग पार्ट्स" और "फोरग्राउंड ऑब्जेक्ट्स" के बीच अंतर करने के लिए विजन-लैंग्वेज मॉडल का उपयोग करके स्पष्ट किया जाता है।
क्रॉस-व्यू एसोसिएशन: दृश्य निरंतरता सुनिश्चित करने के लिए, इमेज-आधारित मास्क को विभिन्न दृश्यों (views) में लिंक किया जाता है। प्री-ट्रेन्ड 3DGS सीन एक ज्यामितीय सेतु (geometric bridge) के रूप में कार्य करता है। मास्क को वैश्विक समूहों में तब विलय किया जाता है जब वे मौजूदा गौसियन क्लस्टर्स के साथ उच्च ज्यामितीय ओवरलैप साझा करते हैं और उनमें सिमेंटिक रूप से समान विजन-लैंग्वेज फीचर्स होते हैं।
फ्यूजन: CityGML-व्युत्पन्न मास्क ( $M_{city}$ $M_{c i t y}$ ) और क्लीन किए गए फाउंडेशन-मॉडल मास्क ( $M_{img}$ $M_{im g}$ ) को फ्यूज किया जाता है।
- प्राथमिकता नियम: गैर-इमारत क्षेत्रों के लिए इमेज-आधारित मास्क को प्राथमिकता दी जाती है, जबकि बिल्डिंग क्षेत्रों में CityGML मास्क का प्रभुत्व होता है।
- फीचर एग्रीगेशन: प्रत्येक फ्यूज्ड इंस्टेंस को एक विजन-लैंग्वेज फीचर वेक्टर सौंपा जाता है, जिससे ओपन-वोकेबुलरी क्वेरी संभव होती है।

C. गौसियन आइडेंटिटी लर्निंग (Gaussian Identity Learning)

फ्यूज्ड 2D सुपरविजन को 3D गौसियन फील्ड में ऊपर उठाया जाता है।

आइडेंटिटी एनकोडिंग: प्रत्येक गौसियन प्रिमिटिव $g_j$ को एक सीखने योग्य आइडेंटिटी कोड $e_j$ के साथ बढ़ाया जाता है।
रेंडरिंग: इन कोड्स को स्टैंडर्ड अल्फा-कंपोजिटिंग नियम का उपयोग करके फीचर मैप्स $E(u)$ बनाने के लिए रेंडर किया जाता है।
लॉस फंक्शन्स:
- 2D आइडेंटिटी सुपरविजन ( $L_{2D}$ ): रेंडर किए गए आइडेंटिटी लॉजिट्स और फ्यूज्ड 2D मास्क $M_t$ के बीच क्रॉस-एन्ट्रॉपी लॉस।
- 3D स्पेशियल रेगुलराइजेशन ( $L_{3D}$ ): कमजोर रूप से देखे गए गौसियन्स को भटकने (drift) से रोकने के लिए, एक कंसिस्टेंसी लॉस लागू किया जाता है। यह एक गौसियन के अनुमानित क्लास डिस्ट्रीब्यूशन और 3D स्पेस में उसके $k$ -निकटतम पड़ोसियों के बीच असहमति को दंडित करता है।
परिणाम: प्रशिक्षित गौसियन्स के पास एक कॉम्पैक्ट आइडेंटिटी एनकोडिंग होती है जो उन्हें CityGML सिमेंटिक पदानुक्रम (फीचर $\to$ सरफेस $\to$ पार्ट) और संबद्ध मेटाडेटा से जोड़ती है।

3. मुख्य योगदान (Key Contributions)

GS4City फ्रेमवर्क: एक नवीन पद्धति जो पदानुक्रमित सिमेंटिक 3DGS के लिए है, जो शुद्ध रूप से 2D-संचालित दृष्टिकोणों की सीमाओं को दूर करने के लिए संरचित सिटी-मॉडल प्रायर्स (CityGML LoD3) को एकीकृत करती है।
मजबूत सुपरविजन पाइपलाइन: एक टू-पास रेकास्टिंग (Two-Pass Raycasting) तंत्र जो उन सूक्ष्म अग्रभाग तत्वों (खिड़कियाँ/दरवाजे) को स्पष्ट रूप से पुनः प्राप्त करता है जो अक्सर सिंगल-पास प्रोजेक्शन में खो जाते हैं, जिसे पूरे दृश्य (इमारतें + गैर-इमारतें) को संभालने के लिए मल्टी-सोर्स मास्क फ्यूजन रणनीति के साथ जोड़ा गया है।
सिमेंटिक लिफ्टिंग: 2D सुपरविजन और 3D स्पेशियल रेगुलराइजेशन के संयुक्त उपयोग के साथ कॉम्पैक्ट गौसियन आइडेंटिटी एनकोडिंग का उपयोग करने वाली एक लर्निंग स्ट्रैटेजी। यह सटीक कोर्स सेगमेंटेशन (इमारत बनाम गैर-इमारत) और सूक्ष्म सिमेंटिक पार्सिंग (दीवारें, छतें, खिड़कियाँ) को सक्षम बनाता है और ओपन-वोकेबुलरी क्वेरी का समर्थन करता है।
मेटाडेटा एकीकरण: यह विधि मूल CityGML एट्रिब्यूट्स के साथ गौसियन प्रिमिटिव्स के लिंक को सुरक्षित रखती है, जिससे संरचित शहरी सूचना पुनर्प्राप्ति (retrieval) संभव होती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस विधि का मूल्यांकन दो डेटासेट्स पर किया गया: TUM2TWIN और Gold Coast LoD3।

कोर्स सेगमेंटेशन (इमारत बनाम गैर-इमारत):
- GS4City ने बेसलाइन्स (LangSplat, Gaga) को काफी पीछे छोड़ दिया।
- IoU लाभ: TUM2TWIN पर 93.1% और Gold Coast पर 95.4% प्राप्त किया, जो अगले सर्वश्रेष्ठ बेसलाइन से 15.8 IoU पॉइंट्स तक अधिक है।
फाइन-ग्रेन्ड सेगमेंटेशन (सूक्ष्म वर्गीकरण):
- GS4City ने दोनों डेटासेट्स पर उच्चतम मीन इंटरसेक्शन ओवर यूनियन (mIoU) प्राप्त किया।
- सुधार: TUM2TWIN पर +8.2 mIoU (30.5% बनाम 22.3%) और Gold Coast पर +14.2 mIoU (44.4% बनाम 30.2%)।
- विशिष्ट श्रेणियाँ: सबसे बड़े लाभ संरचित बिल्डिंग एलिमेंट्स (छत, दीवार, खिड़की, दरवाजा) और कारों में देखे गए, जहाँ CityGML प्रायर्स ने मजबूत ज्यामितीय बाधाएं प्रदान कीं।
गुणात्मक विश्लेषण (Qualitative Analysis):
- GS4City ने शार्प बाउंड्रीज़ बनाईं और खिड़कियों तथा दरवाजों को सही ढंग से अलग किया, जबकि बेसलाइन्स अक्सर इन्हें दीवारों में मिला देती थीं या शोर भरी (noisy), खंडित भविष्यवाणियाँ करती थीं।
- इसने गैर-इमारत क्षेत्रों (जैसे, जल सतह) को बिल्डिंग लेबल असाइन करने से सफलतापूर्वक परहेज किया।
दक्षता (Efficiency): क्रॉस-व्यू एसोसिएशन थ्रेशोल्ड पर एक एब्लेशन स्टडी ने दिखाया कि GS4City बेसलाइन्स की तुलना में सर्वश्रेष्ठ सटीकता-दक्षता ट्रेड-ऑफ (accuracy-efficiency trade-off) (टाइम-नॉर्मलाइज्ड mIoU) प्राप्त करता है।

5. महत्व और प्रभाव (Significance and Impact)

अंतर को पाटना: GS4City सफलतापूर्वक कठोर, संरचित सिटी मॉडल्स (CityGML) और फोटो-रियलिस्टिक, असंरचित 3DGS प्रस्तुतियों के बीच के अंतर को पाटता है।
अर्बन डिजिटल ट्विन्स: पदानुक्रमित भाग-पूर्ण संबंधों (इमारत $\to$ सरफेस $\to$ पार्ट) को संरक्षित करके और मेटाडेटा को एकीकृत करके, GS4City सिमेंटिक रूप से क्वेरेबल और स्ट्रक्चर-अवेयर शहरी पुनर्निर्माण को सक्षम बनाता है। यह शहर-स्तर के एसेट मैनेजमेंट और डिजिटल ट्विन्स जैसे अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है।
उपस्थिति से परे: यह कार्य प्रदर्शित करता है कि 3DGS केवल उपस्थिति-केंद्रित रेंडरिंग से विकसित होकर पदानुक्रमित शहरी समझ के लिए सक्षम प्रतिनिधित्व बन सकता है, जो बड़े पैमाने के सिमेंटिक सीन पुनर्निर्माण के लिए एक नया प्रतिमान (paradigm) पेश करता है।

कोड उपलब्धता: लेखकों ने कोड यहाँ जारी किया है: https://github.com/Jinyzzz/GS4City।