仿生学启发的双分支纠正与渐进点剪枝：用于低光条件3D高斯斯金森（3DGS）的Naka-GS
计算机视觉与模式识别
2026-04-14 v1
摘要
低光条件严重削弱3D重建与恢复效果，导致图像可见性下降、颜色失真以及几何先验受损。我们提出NAKA-GS，一个仿生学启发的框架，用于低光3D高斯斯金森（3D Gaussian Splatting），实现光度恢复与几何初始化的联合优化。该方法首先采用Naka引导的色度校正网络，结合物理先验低光增强、双分支输入建模、频率解耦校正和掩码引导优化，以抑制亮区色度伪影和边缘结构误差。增强后的图像随后输入到前馈多视角重建模型中，以生成稠密场景先验。为进一步提高高斯初始化效果，我们引入轻量级点预处理模块（Point Preprocessing Module, PPM），执行坐标对齐、体素池化和距离自适应渐进剪枝，以去除噪声和冗余点同时保留代表性结构。该方法无需引入重型推理开销，提升了低光3D重建的恢复质量、训练稳定性和优化效率。该方法在NTIRE 3D恢复与重建（3DRR）挑战中呈现，显著优于基线方法。代码已公开于https://github.com/RunyuZhu/Naka-GS
引用
@article{arxiv.2604.11142,
title = {Naka-GS: A Bionics-inspired Dual-Branch Naka Correction and Progressive Point Pruning for Low-Light 3DGS},
author = {Runyu Zhu and SiXun Dong and Zhiqiang Zhang and Qingxia Ye and Zhihua Xu},
journal= {arXiv preprint arXiv:2604.11142},
year = {2026}
}