SplatBright: Generalizable Low-Light Scene Reconstruction from Sparse Views via Physically-Guided Gaussian Enhancement
作者: Yue Wen, Liang Song, Hesheng Wang
分类: cs.CV
发布日期: 2025-12-21
💡 一句话要点
SplatBright：基于物理引导的高斯增强实现稀疏视角下低光场景的通用重建
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 低光照重建 3D高斯 物理引导 光照建模 几何-外观解耦
📋 核心要点
- 现有低光照3D重建方法在稀疏视角下存在视角不一致性问题，且泛化性差，需要针对每个场景进行训练。
- SplatBright通过结合物理引导的光照建模和几何-外观解耦，实现了跨视角一致的低光照场景重建。
- 实验表明，SplatBright在视角合成、跨视角一致性和泛化性方面优于现有2D和3D方法，效果显著。
📝 摘要（中文）
由于曝光不平衡和色彩保真度降低，从稀疏视角进行低光3D重建仍然具有挑战性。现有方法难以解决视角不一致性，并且需要针对每个场景进行训练。为此，我们提出了SplatBright，据我们所知，这是第一个通用的3D高斯框架，用于从稀疏的sRGB输入中进行联合低光增强和重建。我们的核心思想是将物理引导的光照建模与几何-外观解耦相结合，以实现一致的低光重建。具体来说，我们采用双分支预测器，为3D高斯参数提供稳定的几何初始化。在外观方面，光照一致性利用频率先验来实现可控且跨视角一致的光照，而外观细化模块进一步分离光照、材质和视角相关的线索，以恢复精细纹理。为了解决缺乏大规模几何一致的配对数据的问题，我们通过基于物理的相机模型合成暗视角用于训练。在公共和自收集数据集上的大量实验表明，与2D和3D方法相比，SplatBright在新的视角合成、跨视角一致性和对未见过的低光场景的更好泛化方面表现出色。
🔬 方法详解
问题定义：论文旨在解决从稀疏视角下进行低光照场景的3D重建问题。现有方法主要面临两个痛点：一是由于曝光不平衡和色彩失真导致视角间不一致；二是泛化能力弱，需要针对每个场景进行训练，难以应用于真实世界的复杂低光照环境。
核心思路：论文的核心思路是将物理引导的光照建模与几何-外观解耦相结合。通过物理模型模拟低光照环境下的图像生成过程，并利用几何-外观解耦来分别处理场景的几何结构和光照效果，从而实现跨视角一致且具有良好泛化性的低光照场景重建。
技术框架：SplatBright采用基于3D高斯的表示方法，整体框架包含以下几个主要模块：1) 双分支预测器：用于初始化3D高斯参数，提供稳定的几何结构；2) 光照一致性模块：利用频率先验实现可控且跨视角一致的光照效果；3) 外观细化模块：分离光照、材质和视角相关的线索，恢复精细纹理。整个流程首先利用双分支预测器初始化3D高斯参数，然后通过光照一致性模块和外观细化模块进行优化，最终得到重建的3D场景。
关键创新：SplatBright的关键创新在于：1) 提出了一种基于物理引导的光照建模方法，能够更真实地模拟低光照环境下的图像生成过程；2) 将几何-外观解耦的思想引入到低光照3D重建中，有效分离了场景的几何结构和光照效果，提高了重建的准确性和一致性；3) 提出了一个通用的3D高斯框架，能够从稀疏的sRGB输入中进行联合低光增强和重建，具有良好的泛化能力。
关键设计：论文中一些关键的设计包括：1) 使用双分支预测器来稳定几何初始化；2) 利用频率先验来约束光照一致性；3) 设计了外观细化模块来分离光照、材质和视角相关的线索；4) 为了解决缺乏大规模几何一致的配对数据的问题，通过基于物理的相机模型合成暗视角用于训练。损失函数的设计也至关重要，可能包括重建损失、光照一致性损失等，具体细节需要参考论文原文。
🖼️ 关键图片
📊 实验亮点
SplatBright在公共数据集和自收集数据集上进行了广泛的实验，结果表明，与现有的2D和3D方法相比，SplatBright在新的视角合成、跨视角一致性和对未见过的低光场景的更好泛化方面表现出色。具体的性能数据和提升幅度需要在论文原文中查找，但总体而言，SplatBright在各项指标上都取得了显著的提升。
🎯 应用场景
SplatBright在许多领域具有广泛的应用前景，例如：安防监控（在低光照条件下进行目标检测和跟踪）、自动驾驶（增强夜间场景的感知能力）、机器人导航（在光线不足的环境中进行自主导航）、以及虚拟现实/增强现实（创建更逼真的低光照场景）。该研究的实际价值在于提高了低光照场景下3D重建的质量和泛化性，未来可能推动相关技术在更多实际场景中的应用。
📄 摘要（原文）
Low-light 3D reconstruction from sparse views remains challenging due to exposure imbalance and degraded color fidelity. While existing methods struggle with view inconsistency and require per-scene training, we propose SplatBright, which is, to our knowledge, the first generalizable 3D Gaussian framework for joint low-light enhancement and reconstruction from sparse sRGB inputs. Our key idea is to integrate physically guided illumination modeling with geometry-appearance decoupling for consistent low-light reconstruction. Specifically, we adopt a dual-branch predictor that provides stable geometric initialization of 3D Gaussian parameters. On the appearance side, illumination consistency leverages frequency priors to enable controllable and cross-view coherent lighting, while an appearance refinement module further separates illumination, material, and view-dependent cues to recover fine texture. To tackle the lack of large-scale geometrically consistent paired data, we synthesize dark views via a physics-based camera model for training. Extensive experiments on public and self-collected datasets demonstrate that SplatBright achieves superior novel view synthesis, cross-view consistency, and better generalization to unseen low-light scenes compared with both 2D and 3D methods.