Forensisch betrouwbare 3D-reconstructie met Gaussian Splatting
Universiteit Hasselt
2026
Deze masterproef onderzoekt de inzetbaarheid van Gaussian Splatting als betrouwbare techniek voor forensische 3D-reconstructie van misdaadscènes. Gaussian Splatting is een recente neurale weergavemethode die vanuit multi-view videobeelden fotorealistische 3D-modellen genereert via ellipsvormige volumetrische primitieven, zogenaamde splats, die samen een continue en vloeiende representatie van de scène vormen. De techniek onderscheidt zich van klassieke mesh-based methoden door haar uitzonderlijke visuele kwaliteit en efficiënte renderingpipeline, maar brengt tegelijkertijd een fundamenteel forensisch probleem met zich mee: tijdens de trainingsoptimalisatie heeft het model de neiging om geometrische informatie bij te verzinnen om gaten in de initialisatiedata op te vullen. Wanneer de reconstructie als juridisch bewijsmateriaal dient, is dergelijke hallucinatie onaanvaardbaar, omdat elke weergegeven vorm of afstand herleidbaar moet blijven tot authentieke, meetbare brondata.
Om dit probleem aan te pakken werd een volledige onderzoeks- en ontwikkelingspipeline opgezet in samenwerking met de Federale Gerechtelijke Politie Limburg. De dataverzameling combineerde videobeelden en meervoudige LiDAR-scans van een gecontroleerde testscène. De videobeelden werden verwerkt via een COLMAP-gebaseerde Structure from Motion (SfM) pipeline die de relatieve camera-poses en een sparse puntenwolk reconstrueerde. De LiDAR-scans werden samengebracht tot één dense referentiepuntenwolk via iteratieve ICP-gebaseerde registratie met outlier filtering op basis van IQR-analyse, radiale filtering en asgeoriënteerde filtering, en vervolgens geëxporteerd als een geïntegreerd .e57-bestand.
De kern van de bijdrage is een alignment pipeline die de sparse COLMAP-puntenwolk uitlijnt met de dense LiDAR-data. De resulterende transformatiematrix wordt toegepast op alle camera-extrinsieken, zodat de LiDAR-geometrie als initialisatiebasis kan dienen voor de Gaussian Splatting-training zonder de architectuur van de trainingsomgeving te wijzigen. Een eigen visibility-based downsampling-stap geeft daarbij prioriteit aan de LiDAR-punten die zichtbaar zijn vanuit de gecalibreerde camera-posities, wat de trainingsefficiëntie verhoogt zonder de geometrische volledigheid te compromitteren.
De Gaussian Splatting-training werd vervolgens uitgebreid met constraints die de geometrische trouw aan de LiDAR-meetdata waarborgen. In de volledig geconstrained variant worden zowel de positie-optimalisatie als de densification van Gaussians uitgeschakeld, waardoor elke splat exact op zijn initiële LiDAR-positie blijft staan. Dit levert een forensisch maximaal betrouwbaar model op, ten koste van visuele volledigheid in zones met beperkte LiDAR-dekking. Een uitgebreide parameterstudie onderzocht vervolgens tussenliggende configuraties, waarbij de interactie tussen de positie learning rate, de opacity learning rate, de opacity regularization en het MCMC-herplaatsingsmechanisme systematisch in kaart werd gebracht. De resultaten tonen aan dat een werkelijk compromis slechts beperkt haalbaar is: een gedeeltelijke vrijstelling van de positie-optimalisatie levert voor structurele elementen zoals wanden en vloer een aanvaardbare visuele kwaliteit op, maar biedt onvoldoende garantie voor dunne objecten met beperkte LiDAR-puntdichtheid. Op basis van de studie werden twee aanbevolen configuraties geformuleerd: één voor gebruik als visueel illustratiemateriaal voor rechters en jury's, en één als volledig geconstrained forensisch bewijsmiddel.
Aanvullend werd een forensische toolchain ontwikkeld die de integriteit van de reconstructie kwantitatief en visueel onderbouwt. De Lichtfeld Studio-module berekent per Gaussian een betrouwbaarheidsscore op basis van de afstand tot zijn initiële LiDAR-positie, en visualiseert deze als een groen-geel-rood kleuroverlay. Een hallucination mask maakt een binaire splitsing tussen originele en nieuw aangemaakte splats, met kleurcodering voor de mate van positionele drift. De juridische validatiemodule voert een kwantitatieve alignmentvalidatie uit op basis van RMSE en overlappercentage, en genereert een integriteitsgeborgd JSON-rapport met SHA-256-hashing over alle relevante velden, een gedocumenteerde chain of custody en een onafhankelijk verifieerbaar RFC 3161-tijdstempel. Tot slot werd een Electron-gebaseerde rechtbankviewer ontwikkeld die dit rapport omzet naar een formeel PDF-deskundigenverslag.
De evaluatie bevestigt dat Gaussian Splatting via de ontwikkelde constrained pipeline forensisch inzetbaar is, mits een duidelijk onderscheid wordt gehanteerd tussen het gebruik als illustratiemateriaal en het gebruik als geometrisch bewijsmiddel. In het laatste geval fungeert de Gaussian Splatting-reconstructie als visuele toelichting bij de LiDAR-puntenwolk, die als primaire meetreferentie bewaard en ingediend dient te worden. De ontwikkelde toolchain biedt de forensische praktijk een transparant en controleerbaar raamwerk om dit onderscheid procedureel te verankeren.
Meer lezen
