Naka-GS: A Bionics-inspired Dual-Branch Naka Correction and Progressive Point Pruning for Low-Light 3DGS

📄 arXiv: 2604.11142v1 📥 PDF

作者: Runyu Zhu, SiXun Dong, Zhiqiang Zhang, Qingxia Ye, Zhihua Xu

分类: cs.CV

发布日期: 2026-04-13

🔗 代码/项目: GITHUB

💡 一句话要点

提出Naka-GS，通过双分支Naka校正和渐进式点云剪枝，解决低光照3D高斯溅射问题。

🎯 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高斯溅射 色彩校正 点云处理 仿生学 图像增强 几何初始化

📋 核心要点

  1. 低光照条件下的3D重建面临图像质量差、颜色失真和几何先验污染等挑战，严重影响重建效果。
  2. NAKA-GS通过Naka引导的色彩校正网络增强图像，并利用点预处理模块（PPM）优化高斯初始化，提升重建质量。
  3. 该方法在NTIRE 3DRR挑战赛中表现出色，显著优于基线方法，验证了其在低光照3D重建方面的有效性。

📝 摘要（中文）

低光照环境严重阻碍了3D重建，它会降低图像可见度，引入颜色失真，并污染下游优化的几何先验。我们提出了NAKA-GS，一个受仿生学启发的低光照3D高斯溅射框架，它联合改进光度恢复和几何初始化。我们的方法从Naka引导的色彩校正网络开始，该网络结合了基于物理先验的低光照增强、双分支输入建模、频率解耦校正和掩码引导优化，以抑制亮区色度伪影和边缘结构误差。增强后的图像被送入前馈多视图重建模型，以产生密集的场景先验。为了进一步改进高斯初始化，我们引入了一个轻量级的点预处理模块（PPM），该模块执行坐标对齐、体素池化和距离自适应渐进剪枝，以去除噪声和冗余点，同时保留代表性结构。在不引入繁重推理开销的情况下，NAKA-GS提高了低光照3D重建的恢复质量、训练稳定性和优化效率。该方法在NTIRE 3D Restoration and Reconstruction (3DRR) Challenge中展示，并大幅优于基线方法。

🔬 方法详解

问题定义：论文旨在解决低光照环境下3D高斯溅射重建质量差的问题。现有方法在低光照条件下，图像质量下降，颜色失真严重，导致重建的几何结构不准确，且优化过程不稳定。

核心思路：论文的核心思路是借鉴生物视觉系统中的Naka-Rushton方程，设计一个Naka引导的色彩校正网络，用于增强低光照图像的质量。同时，引入点预处理模块（PPM）来优化高斯分布的初始化，去除噪声点和冗余点，从而提高重建的准确性和效率。

技术框架：NAKA-GS框架主要包含两个阶段：1) Naka引导的色彩校正网络：该网络接收低光照图像作为输入，通过双分支结构、频率解耦校正和掩码引导优化，生成增强后的图像。2) 点预处理模块（PPM）：该模块接收多视图重建模型生成的点云，通过坐标对齐、体素池化和距离自适应渐进剪枝，优化高斯分布的初始化。增强后的图像被送入多视图重建模型，生成密集的场景先验。

关键创新：该方法的主要创新点在于：1) 提出了Naka引导的色彩校正网络，该网络能够有效地抑制低光照图像中的色度伪影和边缘结构误差。2) 引入了轻量级的点预处理模块（PPM），该模块能够在不引入额外推理开销的情况下，优化高斯分布的初始化，提高重建的准确性和效率。3) 结合了光度恢复和几何初始化，实现了低光照3D重建的联合优化。

关键设计：Naka引导的色彩校正网络采用了双分支结构，分别处理图像的亮度和色度信息。频率解耦校正将图像分解为高频和低频分量，分别进行校正。掩码引导优化利用掩码来区分图像中的亮区和暗区，对不同区域采用不同的校正策略。点预处理模块（PPM）采用了距离自适应渐进剪枝策略，根据点之间的距离动态调整剪枝阈值。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

NAKA-GS在NTIRE 3DRR挑战赛中显著优于基线方法，证明了其在低光照3D重建方面的有效性。具体性能数据和提升幅度在论文中有所体现，但摘要中未明确给出具体数值。该方法在提高重建质量、训练稳定性和优化效率方面均有显著提升。

🎯 应用场景

该研究成果可应用于低光照环境下的三维场景重建、机器人导航、自动驾驶、安防监控等领域。通过提升低光照图像的重建质量，可以提高这些应用在复杂光照条件下的性能和可靠性，具有重要的实际应用价值和潜在的商业前景。

📄 摘要（原文）

Low-light conditions severely hinder 3D restoration and reconstruction by degrading image visibility, introducing color distortions, and contaminating geometric priors for downstream optimization. We present NAKA-GS, a bionics-inspired framework for low-light 3D Gaussian Splatting that jointly improves photometric restoration and geometric initialization. Our method starts with a Naka-guided chroma-correction network, which combines physics-prior low-light enhancement, dual-branch input modeling, frequency-decoupled correction, and mask-guided optimization to suppress bright-region chromatic artifacts and edge-structure errors. The enhanced images are then fed into a feed-forward multi-view reconstruction model to produce dense scene priors. To further improve Gaussian initialization, we introduce a lightweight Point Preprocessing Module (PPM) that performs coordinate alignment, voxel pooling, and distance-adaptive progressive pruning to remove noisy and redundant points while preserving representative structures. Without introducing heavy inference overhead, NAKA-GS improves restoration quality, training stability, and optimization efficiency for low-light 3D reconstruction. The proposed method was presented in the NTIRE 3D Restoration and Reconstruction (3DRR) Challenge, and outperformed the baseline methods by a large margin. The code is available at https://github.com/RunyuZhu/Naka-GS