热力学图像总是狂野：特征化和解决热力学-仅新视角合成中的挑战

热力学相机在黑暗和恶劣条件下提供可靠的可见性，但热力学图像在 novel view synthesis（NVS）中远比可见光图像更难使用。这种困难主要源于可负担热力学传感器的两个特征。首先，热力学图像具有极低的动态范围，这削弱了 appearance cues 并限制了用于优化的梯度。其次，热力学数据 exhibit 快速帧间光度波动以及缓慢的 radiometric drift，这两者都会 destabilize correspondence estimation 并在没有 RGB guidance（仅限于相机位姿）时创建 high-frequency floater artifacts。Guided by these observations，我们引入了一个轻量级 preprocessing 和 splatting pipeline，用于扩大可用的动态范围并稳定每帧的光度。我们的方法在没有需要 dataset-specific tuning 的情况下 achieve state-of-the-art performance across thermal-only NVS benchmarks。