驯服光线：基于 illumination-invariant 语义 3DGS-SLAM
计算机视觉与模式识别
2025-12-01 v1
摘要
极端曝光会损害 3D 地图重建和语义分割精度，尤其对紧密耦合系统造成严重影响。为实现曝光不变性，我们提出一种新颖的语义 SLAM 框架，包含两个设计。首先，内在外观归一化（IAN）模块主动分离场景的内在属性，如却尔森，来自瞬时光照。通过学习标准化的、对曝光不变的外观模型，它为每个高斯原始分配稳定且一致的颜色表示。其次，动态辐射平衡损失（DRB-Loss）在处理曝光极差的帧时进行动态校正。当图像曝光较差时，该损失函数会激活，直接作用于辐射场，以针对性地引导优化。这防止了因极端光照导致的误差累积，同时在正常条件下不影响性能。IAN 的主动不变性与 DRB-Loss 的响应式校正之间的协同作用，赋予了该系统前所未有的鲁棒性。公开数据集上的评估表明，我们的方法在相机跟踪、地图质量以及语义和几何精度方面实现了最佳性能。
引用
@article{arxiv.2511.22968,
title = {Taming the Light: Illumination-Invariant Semantic 3DGS-SLAM},
author = {Shouhe Zhang and Dayong Ren and Sensen Song and Yurong Qian and Zhenhong Jia},
journal= {arXiv preprint arXiv:2511.22968},
year = {2025}
}