Revisiting Photometric Ambiguity for Accurate Gaussian-Splatting Surface Reconstruction
作者: Jiahe Li, Jiawei Zhang, Xiao Bai, Jin Zheng, Xiaohan Yu, Lin Gu, Gim Hee Lee
分类: cs.CV
发布日期: 2026-05-12
备注: Accepted at ICML 2026. Project page: https://fictionarry.github.io/AmbiSuR-Proj/
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
AmbiSuR：基于高斯溅射的鲁棒光度歧义表面重建框架
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 三维重建 高斯溅射 光度歧义 可微渲染 表面重建
📋 核心要点
- 现有可微渲染的表面重建方法受限于光度歧义，导致重建质量下降。
- AmbiSuR框架利用高斯溅射的内在歧义自指示潜力，进行光度消歧义和欠约束校正。
- 实验表明，AmbiSuR在各种场景下优于现有方法，实现了更准确的表面重建。
📝 摘要（中文）
本文提出AmbiSuR框架，旨在探索高斯溅射的内在特性，以实现对光度歧义具有鲁棒性的高性能表面3D重建。研究揭示了高斯溅射表示中存在的两种内在的、图元级别的歧义性，并发现了其自身指示歧义的内在潜力。基于此，首先引入光度消歧义方法，约束不适定的几何解，以形成明确的表面。然后，提出了一个歧义指示模块，释放自我指示的潜力，以识别并进一步指导校正欠约束的重建。大量实验表明，与现有方法相比，我们的方法在各种具有挑战性的场景中实现了卓越的表面重建，并具有广泛的兼容性。
🔬 方法详解
问题定义：现有的基于可微渲染的表面重建方法，在处理复杂光照和材质时，会受到光度歧义的严重影响。这种歧义导致几何形状的不确定性，使得重建的表面不准确甚至出现伪影。尤其是在光照不足或反射率变化剧烈的区域，问题更加突出。
核心思路：AmbiSuR的核心思路是利用高斯溅射（Gaussian Splatting）表示的内在特性，特别是其固有的歧义自指示潜力。通过分析高斯溅射的参数，可以识别出重建中存在的歧义区域，并利用这些信息来约束几何形状的优化过程，从而消除或减轻光度歧义的影响。
技术框架：AmbiSuR框架主要包含两个关键模块：光度消歧义模块和歧义指示模块。首先，光度消歧义模块通过引入额外的约束，限制不适定的几何解，确保形成明确的表面。然后，歧义指示模块负责识别重建中存在的歧义区域，并利用这些信息指导校正欠约束的重建。整个框架以高斯溅射为基础，通过可微渲染进行优化。
关键创新：AmbiSuR的关键创新在于发现了高斯溅射表示中存在的两种内在的、图元级别的歧义性，并提出了利用高斯溅射自身来指示这些歧义的方法。这与以往依赖外部信息或假设的方法不同，是一种内在的、自监督的歧义消除策略。
关键设计：光度消歧义模块可能涉及到对高斯溅射参数的正则化，例如限制高斯分布的形状或方向，以避免出现不合理的几何形状。歧义指示模块可能使用一个神经网络来分析高斯溅射的参数，预测每个高斯分布的歧义程度，并将其作为权重应用于损失函数中。具体的损失函数设计和网络结构细节在论文中应该有更详细的描述（未知）。
🖼️ 关键图片
📊 实验亮点
实验结果表明，AmbiSuR在多个具有挑战性的数据集上，显著优于现有的表面重建方法。具体性能提升数据未知，但摘要强调了其在各种场景下的卓越表现和广泛的兼容性。该方法能够有效地消除光度歧义，重建出更准确、更清晰的表面几何形状。
🎯 应用场景
AmbiSuR在三维重建领域具有广泛的应用前景，例如：自动驾驶中的环境感知、机器人导航、虚拟现实/增强现实的内容生成、以及文物数字化保护等。该方法能够提升重建的精度和鲁棒性，尤其是在光照条件复杂或材质反射率变化剧烈的场景下，具有重要的实际价值。未来，AmbiSuR可以进一步扩展到动态场景重建和材质编辑等领域。
📄 摘要（原文）
Surface reconstruction with differentiable rendering has achieved impressive performance in recent years, yet the pervasive photometric ambiguities have strictly bottlenecked existing approaches. This paper presents AmbiSuR, a framework that explores an intrinsic solution upon Gaussian Splatting for the photometric ambiguity-robust surface 3D reconstruction with high performance. Starting by revisiting the foundation, our investigation uncovers two built-in primitive-wise ambiguities in representation, while revealing an intrinsic potential for ambiguity self-indication in Gaussian Splatting. Stemming from these, a photometric disambiguation is first introduced, constraining ill-posed geometry solution for definite surface formation. Then, we propose an ambiguity indication module that unleashes the self-indication potential to identify and further guide correcting underconstrained reconstructions. Extensive experiments demonstrate our superior surface reconstructions compared to existing methods across various challenging scenarios, excelling in broad compatibility. Project: https://fictionarry.github.io/AmbiSuR-Proj/ .