Light 'em Up: Enabling Few-Shot Low-Light 3D Gaussian Splatting with Multi-Scale Explicit Retinex Illumination Decoupling

📄 arXiv: 2604.24053v1 📥 PDF

作者: YuHao Yin, Zongji Wang, Yuanben Zhang, Biqing Li, Jiesong Bai, Junyi Liu

分类: cs.CV

发布日期: 2026-04-27

备注: 19 pages, 5 figures. Code available at https://github.com/YhuoyuH/MERID-GS

🔗 代码/项目: GITHUB

💡 一句话要点

提出MERID-GS，通过多尺度Retinex解耦实现弱光环境下的Few-Shot 3D高斯溅射

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting)

关键词: 弱光增强 新视角合成 3D高斯溅射 Retinex理论 光照解耦

📋 核心要点

  1. 现有方法在弱光环境下进行360度新视角合成时，难以兼顾几何一致性和照片真实感，面临光照不足、噪声放大等问题。
  2. MERID-GS基于Retinex理论，显式解耦光照和反射率，并利用可学习增益和频率门控增强暗区结构，抑制噪声。
  3. 实验表明，MERID-GS在多个数据集上取得了SOTA性能，具有良好的跨场景泛化能力和视角一致性。

📝 摘要（中文）

在弱光条件下进行完整的360度新视角合成仍然具有挑战性。光照不足、噪声放大和视角相关的光度不一致性使得现有方法难以同时保持几何一致性和照片真实感。无监督方法在大视角变化下常出现颜色漂移，而有监督的弱光增强模型虽然在2D任务中有效，但难以泛化到新场景，通常需要重新训练。为了解决这个问题，我们提出了MERID-GS，一个用于弱光360度合成的多尺度显式Retinex光照解耦高斯框架。该方法基于Retinex理论，显式地分离光照和反射率，并通过可学习的增益和光照状态引导的频率门控来抑制噪声传播，同时增强暗区结构。结合轻量级的反射头和3D高斯溅射，MERID-GS仅需少量样本即可适应新场景，并能够从稀疏视角观测中实现稳定的弱光新视角合成。此外，我们构建了一个覆盖完整360度场景的弱光多视角数据集用于联合评估。在多个数据集上的全面实验表明，MERID-GS实现了SOTA性能，展现出卓越的跨场景泛化能力和视角一致性。源代码和预训练模型已发布。

🔬 方法详解

问题定义：论文旨在解决弱光环境下360度新视角合成的问题。现有方法在光照不足、噪声放大和视角相关的光度不一致性影响下，难以同时保证几何一致性和照片真实感。无监督方法容易出现颜色漂移，而有监督的弱光增强模型泛化能力差，需要针对新场景进行重新训练。

核心思路：论文的核心思路是基于Retinex理论，将图像分解为光照和反射率两个分量，并分别进行处理。通过显式地解耦光照和反射率，可以更好地控制光照的影响，从而提高新视角合成的质量和鲁棒性。同时，利用可学习的增益和光照状态引导的频率门控来增强暗区结构，抑制噪声。

技术框架：MERID-GS框架主要包含以下几个模块：1) 多尺度Retinex分解模块，用于将输入图像分解为光照和反射率分量；2) 光照增强模块，利用可学习的增益和光照状态引导的频率门控来增强光照分量，抑制噪声；3) 反射率处理模块，使用轻量级的反射头来处理反射率分量；4) 3D高斯溅射模块，用于将处理后的光照和反射率分量渲染成新的视角图像。

关键创新：该论文的关键创新在于将Retinex理论与3D高斯溅射相结合，提出了一种新的弱光新视角合成框架。通过显式地解耦光照和反射率，可以更好地控制光照的影响，从而提高新视角合成的质量和鲁棒性。此外，论文还提出了可学习的增益和光照状态引导的频率门控，用于增强暗区结构，抑制噪声。

关键设计：在多尺度Retinex分解模块中，使用了多个尺度的卷积核来提取不同尺度的光照信息。在光照增强模块中，可学习的增益用于调整光照的强度，光照状态引导的频率门控用于抑制高频噪声。在反射率处理模块中，使用了轻量级的卷积神经网络作为反射头。损失函数包括L1损失、感知损失和SSIM损失，用于约束合成图像的质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MERID-GS在多个弱光数据集上取得了SOTA性能，在PSNR、SSIM等指标上显著优于现有方法。尤其在跨场景泛化能力和视角一致性方面表现突出，证明了该方法在弱光新视角合成方面的有效性。

🎯 应用场景

该研究成果可应用于弱光环境下的虚拟现实、增强现实、自动驾驶等领域。例如，在弱光条件下，可以利用该方法生成高质量的新视角图像，从而提高虚拟现实和增强现实的沉浸感。在自动驾驶领域，可以利用该方法增强弱光环境下的图像，提高车辆的感知能力。

📄 摘要（原文）

Full 360$^\circ$ novel view synthesis under low-light conditions remains challenging. Insufficient illumination, noise amplification, and view-dependent photometric inconsistencies prevent existing methods from jointly preserving geometric consistency and photorealism. Unsupervised approaches often exhibit color drift under large viewpoint variations, while supervised low-light enhancement models, though effective for 2D tasks, struggle to generalize to new scenes and typically require retraining. To address this issue, we propose MERID-GS, a Multi-Scale Explicit Retinex Illumination-Decoupled Gaussian framework for low-light 360$^\circ$ synthesis. Based on Retinex theory, the method explicitly separates illumination and reflectance, and suppresses noise propagation while enhancing dark-region structures via a learnable gain and Illumination-State-Guided Frequency Gating. Combined with lightweight Reflection Head and 3D Gaussian Splatting, MERID-GS adapts to new scenes with only a few shots and enables stable low-light novel view synthesis from sparse-view observations. In addition, we construct a low-light multi-view dataset covering full 360$^\circ$ scenes for joint evaluation. Thorough experiments across multiple datasets in this area demonstrate that MERID-GS achieves SOTA performance, exhibiting superior cross-scene generalization and view consistency. The source code and pre-trained models are available at https://github.com/YhuoyuH/MERID-GS..