LLGS：面向纯暗环境图像增强与重建的无监督高斯泼溅
计算机视觉与模式识别
2025-03-25 v1
摘要
3D Gaussian Splatting 在新视角渲染任务中展现出卓越能力，并具有多视角优化的巨大潜力。然而，原始 3D Gaussian Splatting 缺乏对低光照环境输入的色彩表示能力。简单地将增强后的图像作为输入会导致多视角一致性问题，且当前的单视角增强系统依赖预训练数据，缺乏场景泛化能力。这些问题限制了 3D Gaussian Splatting 在机器人领域低光照条件下的应用，包括高保真建模与特征匹配。为应对这些挑战，我们提出了一种基于 Gaussian Splatting 的无监督多视角立体系统，称为低光照高斯泼溅（LLGS）。该系统旨在在低光照环境下增强图像的同时重建场景。我们的方法引入了一种名为 M-Color 的可分解高斯表示，用于单独表征色彩信息以进行针对性增强。此外，我们提出了一种带有零知识先验的无监督优化方法，利用基于方向的增强来确保多视角一致性。在真实数据集上进行的实验表明，我们的系统在低光照增强和 3D Gaussian Splatting 方面均优于 SOTA 方法。
引用
@article{arxiv.2503.18640,
title = {LLGS: Unsupervised Gaussian Splatting for Image Enhancement and Reconstruction in Pure Dark Environment},
author = {Haoran Wang and Jingwei Huang and Lu Yang and Tianchen Deng and Gaojing Zhang and Mingrui Li},
journal= {arXiv preprint arXiv:2503.18640},
year = {2025}
}