Geo-ID：基于稀疏几何共识的跨视图一致内在参数
计算机视觉与模式识别
2026-03-17 v1
摘要
内在图像分解旨在从图像中估计基于物理的渲染（PBR）参数，如镜面反射率、粗糙度与金属度。虽然近期方法在单视图预测方面取得显著成绩，但独立应用于同一场景的多个视图往往会产生不一致的估计，限制了其在可编辑神经场景与三维重建等下游应用中的实用性。视频基方法可改善跨帧一致性，但要求密集有序序列且计算开销大，限制了其适用于稀疏无序图像集合。我们提出 Geo-ID，一种新颖的测试时框架，通过稀疏几何对应关系将独立的单视图预测耦合成不确定性感知的共识目标，实现跨视图一致的内在参数分解。Geo-ID 模型中性，无需重新训练或逆渲染，可直接应用于即插即用内在参数预测器。在合成基准与真实场景上的实验表明，随视图数增加，跨视图内在参数一致性显著提升，同时保持与单视图分解相当的性能。我们进一步展示，所得一致内在参数可实现下游神经场景表示中的连贯外观编辑与重新照明。
引用
@article{arxiv.2603.13859,
title = {Geo-ID: Test-Time Geometric Consensus for Cross-View Consistent Intrinsics},
author = {Alara Dirik and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:2603.13859},
year = {2026}
}