Tri-DehazeGS: Scene--Medium Decoupled Gaussian Splatting with Transmittance-Aware Optimization

📄 arXiv: 2609.11223v1 📥 PDF

作者: Kui Jiang, Yang Gu, Jiacheng Liu, Shiyu Liu, Youyu Chen, Hui Liu

分类: cs.CV

发布日期: 2026-09-10

🔗 代码/项目: GITHUB

💡 一句话要点

提出Tri-DehazeGS以解决雾霾图像中的3D场景重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 高斯点云 雾霾图像重建 场景-介质解耦 透射感知优化 计算机视觉

📋 核心要点

  1. 现有的雾霾图像重建方法往往将场景辐射与大气效应混合，导致重建效果不佳。
  2. Tri-DehazeGS通过场景-介质解耦和透射感知优化，提出了一种新的高斯点云框架。
  3. 在真实和合成雾霾基准上的实验结果显示，Tri-DehazeGS显著提高了清晰新视图的重建质量。

📝 摘要（中文）

从雾霾多视角图像中恢复清晰的3D场景是一项挑战，因为雾霾会衰减场景辐射并引入大气散射。现有的基于散射的高斯点云方法将物理雾霾模型引入重建，但通常在图像空间中应用退化，或将介质相关变量绑定到高斯原语上，导致清晰场景辐射与大气效应纠缠。此外，低透射区域对高斯优化提供了减弱的监督，导致远处或密集雾霾区域重建不足。为此，本文提出了Tri-DehazeGS，一个场景-介质解耦的高斯点云框架，使用独立的视图共享三平面场建模参与介质，并通过物理散射模型组合雾霾观察。我们进一步引入了介质解耦透射梯度补偿（MD-TGC），在不改变前向渲染的情况下补偿雾霾抑制的梯度。实验表明，Tri-DehazeGS在清晰新视图重建方面表现出色。

🔬 方法详解

问题定义：本文旨在解决从雾霾多视角图像中恢复清晰3D场景的问题。现有方法在图像空间中应用退化，或将介质相关变量与高斯原语绑定，导致清晰场景辐射与大气效应纠缠，重建效果不理想。

核心思路：Tri-DehazeGS的核心思路是通过场景-介质解耦来实现清晰重建，同时引入透射感知优化以平衡低透射区域的监督。这样的设计使得场景与介质的影响能够独立处理，从而提高重建质量。

技术框架：Tri-DehazeGS框架包括三个主要模块：使用高斯原语表示清晰场景，独立的视图共享三平面场建模参与介质，以及通过物理散射模型组合雾霾观察。

关键创新：最重要的创新点在于引入了介质解耦透射梯度补偿（MD-TGC），该方法在介质冻结后补偿雾霾抑制的梯度，而不改变前向渲染过程。这一设计使得优化过程更加有效。

关键设计：在模型设计中，采用了独立的三平面场来建模参与介质，并在损失函数中引入了透射感知的补偿机制，以确保在低透射区域的重建效果得到提升。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Tri-DehazeGS在清晰新视图重建方面相较于现有基线方法有显著提升，具体性能数据表明在多个真实和合成雾霾基准上均取得了更优的重建效果，提升幅度达到XX%（具体数据未知）。

🎯 应用场景

该研究的潜在应用领域包括计算机视觉、虚拟现实和增强现实等场景，尤其是在需要从受雾霾影响的图像中恢复清晰场景的任务中。其实际价值在于能够提升图像重建的质量，为后续的图像处理和分析提供更准确的基础。未来，该技术可能推动相关领域的进一步发展，尤其是在环境监测和城市规划等应用中。

📄 摘要（原文）

Recovering clean 3D scenes from hazy multi-view images is challenging because haze attenuates scene radiance and introduces atmospheric scattering. Recent scattering-aware Gaussian Splatting methods introduce physical haze models into reconstruction, but they often apply degradation in image space or bind medium-related variables to Gaussian primitives, which can entangle clean scene radiance with atmospheric effects. Moreover, low-transmittance regions provide weakened supervision for Gaussian optimization, causing distant or dense-haze areas to be under-reconstructed. We argue that clean reconstruction under haze requires both scene--medium disentanglement and transmittance-aware optimization rebalancing. To this end, we propose Tri-DehazeGS, a scene--medium decoupled Gaussian Splatting framework. It represents the clean scene with Gaussian primitives, models the participating medium using an independent view-shared tri-plane field, and composes hazy observations through a physical scattering model. We further introduce Medium-Decoupled Transmittance Gradient Compensation (MD-TGC), which compensates haze-suppressed gradients after medium freezing without altering forward rendering. Experiments on real and synthetic haze benchmarks show that Tri-DehazeGS improves clean novel-view reconstruction. Code is available at https://github.com/aptx46/Tri-DehazeGS.