From Chaos to Clarity: 3DGS in the Dark

从原始图像合成新视角可以提供比从低动态范围RGB图像重建更好的高动态范围（HDR）信息。然而，未经处理的原始图像中固有的噪声会损害3D场景表示的准确性。我们的研究表明，3D高斯飞溅（3DGS）特别容易受到这种噪声的影响，导致产生许多过度拟合噪声的细长高斯形状，从而显著降低重建质量并减慢推理速度，特别是在视角有限的情况下。为了解决这些问题，我们引入了一种新的自监督学习框架，旨在从有限数量的噪声原始图像中重建HDR 3DGS。该框架通过集成噪声提取器和采用噪声鲁棒重建损失来提高3DGS，利用噪声分布先验。实验结果表明，我们的方法在RawNeRF数据集上在广泛的训练视角范围内，重建质量和推理速度方面均优于LDR/HDR 3DGS和先前的最先进的自监督和监督预训练模型。代码可在\url{https://lizhihao6.github.io/Raw3DGS}中找到。

本论文旨在解决从噪声原始图像中重建高动态范围（HDR）3D场景表示的问题。其发现3D高斯喷洒（3DGS）容易受到噪声的影响，导致重建质量显著降低，推断速度降低，特别是在有限视角的情况下。

本论文提出了一个新的自监督学习框架，通过噪声提取器和噪声鲁棒的重建损失来增强3DGS，并利用噪声分布先验来重建HDR 3DGS。实验结果表明，该方法在RawNeRF数据集上的重建质量和推断速度方面均优于LDR/HDR 3DGS和之前的自监督和监督预训练模型。

本论文的亮点包括使用噪声提取器和噪声鲁棒的重建损失来增强3DGS，提出了一个新的自监督学习框架来重建HDR 3DGS，实验结果表明该方法在RawNeRF数据集上的重建质量和推断速度方面均优于之前的方法。作者还提供了代码。

最近的相关研究包括NeRF、NeRF++和PixelNeRF等。