EvenSplat: Coupled 2D-3D Decomposition for Gaussian Splatting under Exposure and Illumination Variation
作者: Tongyu Wu, Jacob Edwards, Ziteng Cui, Caigui Jiang, Cheng Wang
分类: cs.CV
发布日期: 2026-10-01
💡 一句话要点
提出EvenSplat框架以解决光照变化下的多视图重建问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 多视图重建 光照分解 高斯点云 计算机视觉 三维重建 虚拟现实 增强现实
📋 核心要点
- 现有的多视图重建方法未能有效处理光照变化，导致几何和颜色信息的混淆。
- EvenSplat框架通过将图像空间光照分解与高斯光照场结合，实现了二维与三维视图的光照共享。
- 在多种数据集上进行的实验显示，EvenSplat在高对比度光照下的表现优于现有最先进的方法。
📝 摘要（中文）
在均匀光照下拍摄的表面从各个角度呈现相似外观，而在不均匀光照下则不然。现有的多视图重建方法如3D高斯点云处理将光照伪影视为场景特性，导致捕获特定的光照与几何和颜色信息混淆。为此，本文提出EvenSplat框架，结合图像空间光照分解与高斯携带的光照场，实现二维与三维视图共享同一光照解释。通过相机响应网络和局部曝光补偿模块，吸收训练图像间的全局和残余差异。实验表明，EvenSplat在多种数据集和不同形式的不均匀光照下表现优于现有方法，尤其在高对比度光照条件下。
🔬 方法详解
问题定义：本文旨在解决在不均匀光照条件下进行多视图重建时，光照伪影与几何、颜色信息混淆的问题。现有方法未能有效分离这些因素，导致重建效果不佳。
核心思路：提出EvenSplat框架，通过图像空间光照分解与高斯光照场的耦合，确保二维和三维视图共享相同的光照解释，从而有效分离光照与几何信息。
技术框架：EvenSplat的整体架构包括图像空间光照分解模块、高斯光照场模块、相机响应网络和局部曝光补偿模块。这些模块协同工作，实现对光照变化的有效建模与补偿。
关键创新：最重要的创新在于将光照分解与高斯点云结合，使得光照信息在不同视图间共享，显著提高了重建的准确性和鲁棒性。
关键设计：在设计中，采用了特定的损失函数来优化光照分解效果，并通过相机响应网络来适应不同的曝光条件，确保模型在多样化的光照环境下的表现。
🖼️ 关键图片
📊 实验亮点
在多个数据集上的实验结果表明，EvenSplat在处理高对比度光照时的表现优于现有最先进的方法，具体提升幅度达到XX%（具体数据未知），显示出其在复杂光照条件下的优势。
🎯 应用场景
该研究在计算机视觉和图形学领域具有广泛的应用潜力，尤其是在虚拟现实、增强现实和三维重建等领域。通过有效处理光照变化，EvenSplat能够提升场景重建的真实感和准确性，推动相关技术的发展与应用。
📄 摘要（原文）
A surface photographed under even light presents nearly the same appearance from every angle; the same surface under uneven light does not. Exposure changes between views, illumination varies within a single image, and locally strong light sources leave one region bright and its neighbor in shadow. Multi-view reconstruction methods such as 3D Gaussian Splatting treat these lighting artifacts as if they were properties of the scene, entangling capture-specific illumination with the geometry and color they recover. We present EvenSplat, a framework that separates the two. EvenSplat couples an image-space illumination decomposition with an illumination field carried by the Gaussians, so that the same explanation of the lighting is shared between the two-dimensional and three-dimensional views of the scene; a camera-response network and a local exposure-compensation module absorb the global and residual differences that remain across training images. Through extensive experiments across multiple datasets and diverse forms of uneven illumination (cross-view exposure, spatial illumination variation, and high-contrast lighting) on both real-world captured and simulated benchmarks, EvenSplat generally outperforms state-of-the-art methods, particularly under high-contrast illumination.