MetaGS：用于分布外三维场景重光照的元学习高斯-Phong模型
计算机视觉与模式识别
2026-03-17 v3 机器学习
摘要
分布外（OOD）三维重光照要求在未见过的光照条件下进行新视角合成，这些条件与观测图像显著不同。现有的重光照方法假设训练和测试时光源分布一致，在OOD场景下往往会退化。我们引入MetaGS从两个角度应对这一挑战。首先，我们提出了一种元学习方法训练三维高斯泼溅，这显式地促进了在不同光照条件下（即使训练数据有偏）学习可泛化的高斯几何和外观属性。其次，我们将Blinn-Phong反射模型的基本物理先验嵌入到高斯泼溅中，这增强了阴影分量的解耦，从而实现了更精确的三维场景重建。在合成和真实数据集上的结果证明了MetaGS在具有挑战性的OOD重光照任务中的有效性，支持高效的点光源重光照，并能很好地泛化到未见的环境光照贴图。
关键词
引用
@article{arxiv.2405.20791,
title = {MetaGS: A Meta-Learned Gaussian-Phong Model for Out-of-Distribution 3D Scene Relighting},
author = {Yumeng He and Yunbo Wang and Xiaokang Yang},
journal= {arXiv preprint arXiv:2405.20791},
year = {2026}
}
备注
Accepted by NeurIPS 2025 (Spotlight). Code: https://github.com/raynehe/MetaGS