EvenSplat: Coupled 2D-3D Decomposition for Gaussian Splatting under Exposure and Illumination Variation
Tongyu Wu, Jacob Edwards, Ziteng Cui, Caigui Jiang, Cheng Wang
cs.CV
2026-10-01
EvenSplat 把在线 2D 光照分解与 3D 高斯共享光照场耦合训练,在自建 9 场景实拍基准上,高对比光照 PSNR 领先最强基线 3.17 dB。
3DGS 和 NeRF 的高保真重建有一个前提:同一表面在所有照片里亮度颜色一致。现实拍摄里这个前提几乎不成立:相机在两张照片之间重新测光,闪光灯或窗户把物体一侧打得比另一侧亮,一盏强灯能让单张照片一半过曝一半死黑。标准 3DGS 不知道这些是光照,只会忠实拟合每张图,拍摄时的光影于是被当成场景本身的属性,和几何、颜色搅在一起。
论文把不一致归成三种:跨视角曝光变化(CEV)、单图内空间光照变化(SIV)、高对比光照(HCI)。现有对策各有盲区:NeRF-W 一脉的 appearance embedding 和 Luminance-GS、PPISP 这类曝光校正方法都只在整图级起作用。光照在一张图内部明暗分裂时,这些方法要么留下阴影,要么抹平亮区。
EvenSplat 借 Retinex 理论的框架:观测 = 基础外观 × 光照。核心设计是让 2D 与 3D 两个分解在训练中互相约束。
训练 1 万步:光照场与 CRN 在 3000 步后冻结,ILEC 5000 步启用。消融说明两个分支互相需要:去掉 2D 分解,CEV 掉 3.60 dB、HCI 掉 4.94 dB;只用 2D 分解同样差得多,单视角先验给不出跨视角一致的解释。
真实基准是自拍的 9 个场景(3 CEV、4 SIV、2 HCI),每个场景另配一组均匀光照参考图作评测目标:
| 设置 | 最强基线 PSNR | EvenSplat |
| CEV(真实) | PPISP 17.79 | 19.53 |
| SIV(真实) | PPISP 18.11 | 19.51(+1.40) |
| HCI(真实) | 3DGS+CHROMA 13.78 | 16.95(+3.17) |
| CEV(模拟) | PPISP 19.22 | 20.98(+1.76) |
| HCI(模拟) | PPISP 15.17 | 16.74(+1.56) |
真实 SIV 和 HCI 下三项指标全部第一。两处要打折读:模拟 HCI 的 PSNR 第一但 SSIM 输给 PPISP(0.501 对 0.589);真实 CEV 也是 PSNR 最高、SSIM 和 LPIPS 落后 PPISP,裁剪严重时的校正在像素一致与结构相似之间做了取舍。
跨光源实验里,同一场景分别只用左灯、右灯拍摄并独立建模,两次渲染的基外观在匹配视角互相比,EvenSplat 15.57 dB,比第二名 Luminance-GS 高 2.84 dB,说明恢复的表示不那么绑定拍摄光向。HDR-NeRF 上它一边保持 37.6 dB 的全场景重建,一边输出基外观,对均匀光真值的平均 PSNR 从最强基线的 13.23 提到 17.91。对照基线 Tone-Matched 3DGS(只做全局色调归一)在全部 SIV 和 HCI 场景还不如原始 3DGS,排除了「收益只是全局调亮」的解释。
遗产数字化、室内扫描、机器人巡检这类应用摆布不了光照。这条路线不需要辐射度标定,不需要 RAW,普通 sRGB 照片直接进;训练成本停在 3DGS 量级(1 万步、两张 RTX 3090),渲染保持实时,论文里的遗产天花板数字化案例是直接示范。9 场景实拍基准带均匀光参考,在这个多数靠数字扰动造数据的子领域是稀缺品。定位上这是一篇扎实的系统性工作:核心增益集中在空间不均匀光照这个此前覆盖不好的区间,对 3DGS 渲染本身没有改动。
作者列了四条:sRGB 域分解不保证唯一,基色不是物理 albedo;高光裁剪区的颜色物理上不可恢复;ILEC 参数绑定训练图;镜面、运动模糊、传感器噪声未建模。
读下来还有几处。真实 HCI 只有 2 个场景,3.17 dB 的头条数字统计基础薄;模拟 SIV 和 HCI 的扰动算子(两区域曝光混合、对比度乘三)与方法的假设贴合,真实光照未必这么规整。跨光源实验测的是两次重建的一致性,不是外观准确度,论文自己也承认。HDR-NeRF 基外观评估里 SSIM 与 LPIPS 表现混合(CatRoom 的 SSIM 低于原始 3DGS),PSNR 领先要打折看。