Lunar-G2R：基于几何到反射率的学习用于高保真月球BRDF估计
计算机视觉与模式识别
2026-01-22 v1
摘要
我们解决了为复杂行星表面（如月球黄土）估计逼真、空间变化反射率的问题，这对于高保真渲染和基于视觉的导航至关重要。现有的月球渲染管道依赖简化或空间均匀BRDF模型，其参数难以估计，且无法捕捉局部反射率变化，限制了光度真实性。我们提出Lunar-G2R，一种几何到反射率学习框架，可直接从月球数字高程模型（DEM）预测空间变化BRDF参数，无需多视图图像、受控照明或推断时的专用反射率捕获硬件。该方法利用经过训练的U-Net，通过可微分渲染最小化真实轨道图像与已知观察和照明几何下的物理基于渲染之间的光度差异。在 Tycho 陨石坑的一个地理学独立区域的实验中，我们的方法将光度误差降低了38%，同时实现更高的PSNR和SSIM和改进的感知相似性，捕捉到空间均匀模型中缺失的细尺度反射率变化。就已知方法而言，这是首个从地形几何直接推断空间变化反射率模型的方法。
引用
@article{arxiv.2601.10449,
title = {Lunar-G2R: Geometry-to-Reflectance Learning for High-Fidelity Lunar BRDF Estimation},
author = {Clementine Grethen and Nicolas Menga and Roland Brochard and Geraldine Morin and Simone Gasparini and Jeremy Lebreton and Manuel Sanchez Gestido},
journal= {arXiv preprint arXiv:2601.10449},
year = {2026}
}
备注
Data & code: https://clementinegrethen.github.io/publications/Lunar-G2R