SSD-GS：基于散射与阴影分解的可重 lighting 3D 高斯溶解
计算机视觉与模式识别
2026-04-16 v1 图形学
摘要
我们提出 SSD-GS，一种基于 3D 高斯溶解（3DGS）构建的物理化可重 lighting 框架，实现高质量重建并在新光照条件下实现照片级 relighting。物理化可重 lighting 要求精确建模光-物质相互作用，以实现可信的外观再现。然而，现有 3DGS 基于 relighting 的方法采用粗糙的着色分解，要么仅建模漫反射与镜面反射，要么依赖神经网络近似阴影与散射。这导致重建保真度受限且物理可解释性差，尤其对于各向异性金属和半透明材质表现更为不足。为此，SSD-GS 将反射率分解为四个分量：漫反射、镜面反射、阴影与亚表面散射。我们引入基于可学习偶极子的散射模块，用于亚表面传输；构建受遮挡感知的阴影表述，整合可见性估计与细化网络；并采用各向异性菲涅尔模型增强镜面分量。通过在训练期间逐步集成所有组件，SSD-GS 有效解耦了光照与物质属性，即使在未见的光照条件下亦能如期实现，实验在具有挑战性的 OLAT 数据集上验证了其效果。实验结果表明，SSD-GS 在定量与主观 relighting 质量上均优于先前方法，为后续任务（如可控光源编辑与交互式场景 relighting）铺平了道路。源码已公开于 https://github.com/irisfreesiri/SSD-GS。
引用
@article{arxiv.2604.13333,
title = {SSD-GS: Scattering and Shadow Decomposition for Relightable 3D Gaussian Splatting},
author = {Iris Zheng and Guojun Tang and Alexander Doronin and Paul Teal and Fang-Lue Zhang},
journal= {arXiv preprint arXiv:2604.13333},
year = {2026}
}
备注
Accepted to ICLR 2026. Code available at: https://github.com/irisfreesiri/SSD-GS