DenoiseGS：用于突发去噪的高斯重建模型
计算机视觉与模式识别
2025-12-02 v2
摘要
突发去噪方法对于增强手持设备捕获的图像至关重要，但常常在大范围运动下难以处理，或 suffer from 高昂的计算成本。本文提出了DenoiseGS，是首个利用3D高斯渲染效率进行突发去噪的框架。我们的方法解决了将前馈高斯重建模型应用于噪声输入时的两个关键挑战：高斯点云的退化以及细节信息的丢失。为此，我们提出了高斯自一致性（GSC）损失，通过高质量的高斯点云对从噪声输入预测的几何进行正则化。这些点云由同一模型从干净输入生成，因而有效缓解了潜在偏差或领域差距。此外，我们引入了对数加权频率（LWF）损失，以强化频谱域中的监督，有效保留细粒细节。LWF损失以对数方式自适应加权频率差异，强调具有挑战性的高频细节。广泛的实验表明，DenoiseGS在突发去噪和噪声条件下的新视角合成方面，显著超越了最先进的基于NeRF的方法，同时实现了约250倍的推理速度。代码和模型已发布于https://github.com/yscheng04/DenoiseGS。
引用
@article{arxiv.2511.22939,
title = {DenoiseGS: Gaussian Reconstruction Model for Burst Denoising},
author = {Yongsen Cheng and Yuanhao Cai and Yulun Zhang},
journal= {arXiv preprint arXiv:2511.22939},
year = {2025}
}
备注
Update Abstract