基于亮度-色度分解的高动态范围 3D 高斯溅射
计算机视觉与模式识别
2026-05-04 v3
摘要
高动态范围（HDR） 3D 重建是电影制作和虚拟制作中至关重要的专业内容创建的关键。现有方法通常依赖多曝光低动态范围（LDR）监督将学习过程限制在广阔亮度空间，从而导致复杂的双分支架构。本工作探索了仅在 HDR 数据空间中学习 HDR 3D 模型以简化模型设计的可行性。通过分析 3D 高斯溅射（3DGS）用于 HDR 图像，我们揭示了其失败源于球面谐和（SHs）捕捉极端辐射变化的能力有限，往往偏向高辐射观察并出现欠拟合。虽然增加最大 SH 阶数可改善训练拟合，但会导致严重过拟合和参数开销过大。为此，我们提出了“亮度-色度分解 3D 高斯溅射”（LCD-GS）。通过将亮度和色度解耦为独立参数，LCD-GS 在最小参数增加（例如每个原始单元多一个标量）的情况下显著提升了学习灵活性。值得注意的是，LCD-GS 保持原始的训练和推理管道，仅需更改颜色表示。这种显式分解自然地使原始单元级别的局部和全局亮度编辑在推理过程中成为可能。广泛的在合成和真实数据集上的实验表明，LCD-GS 在重建保真度和动态范围保持方面始终优于最先进的方法，尽管采用更简单、更高效的架构，为专业级 HDR 3D 建模提供了优雅的范式。代码和数据集将发布。
引用
@article{arxiv.2511.12895,
title = {High Dynamic Range 3D Gaussian Splatting via Luminance-Chromaticity Decomposition},
author = {Kaixuan Zhang and Minxian Li and Mingwu Ren and Jiankang Deng and Xiatian Zhu},
journal= {arXiv preprint arXiv:2511.12895},
year = {2026}
}