論文の概要: Physically Inspired Gaussian Splatting for HDR Novel View Synthesis

• arxiv url: http://arxiv.org/abs/2603.28020v1
• Date: Mon, 30 Mar 2026 04:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.226313
• Title: Physically Inspired Gaussian Splatting for HDR Novel View Synthesis
• Title（参考訳）: HDR新規ビュー合成のための物理的に着想を得たガウススメッティング
• Authors: Huimin Zeng, Yue Bai, Hailing Wang, Yun Fu,
• Abstract要約: 高ダイナミックレンジノベルビュー合成 (biased-NVS) は、マルチ露光低ダイナミックレンジ(LDR)ビューを融合することにより、ダイナミックディテールでシーンを再構築する。 トーンマップ結果の制約による暗黙的なHDR含量は,異常なHDR値の補正に失敗し,非露出領域におけるガウスの勾配が制限される。 本稿では,HDR-NVSフレームワークであるPhys-GSを紹介する。
• 参考スコア（独自算出の注目度）: 40.99906396910274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High dynamic range novel view synthesis (HDR-NVS) reconstructs scenes with dynamic details by fusing multi-exposure low dynamic range (LDR) views, yet it struggles to capture ambient illumination-dependent appearance. Implicitly supervising HDR content by constraining tone-mapped results fails in correcting abnormal HDR values, and results in limited gradients for Gaussians in under/over-exposed regions. To this end, we introduce PhysHDR-GS, a physically inspired HDR-NVS framework that models scene appearance via intrinsic reflectance and adjustable ambient illumination. PhysHDR-GS employs a complementary image-exposure (IE) branch and Gaussian-illumination (GI) branch to faithfully reproduce standard camera observations and capture illumination-dependent appearance changes, respectively. During training, the proposed cross-branch HDR consistency loss provides explicit supervision for HDR content, while an illumination-guided gradient scaling strategy mitigates exposure-biased gradient starvation and reduces under-densified representations. Experimental results across realistic and synthetic datasets demonstrate our superiority in reconstructing HDR details (e.g., a PSNR gain of 2.04 dB over HDR-GS), while maintaining real-time rendering speed (up to 76 FPS). Code and models are available at https://huimin-zeng.github.io/PhysHDR-GS/.
• Abstract（参考訳）: 高ダイナミックレンジノベルビュー合成(HDR-NVS)は、マルチ露光低ダイナミックレンジ(LDR)ビューを融合することで、ダイナミックディテールでシーンを再構築するが、周囲の照明依存の外観を捉えるのに苦労する。 トーンマップした結果の制約による暗黙的にHDR含有量の監視は異常なHDR値の補正に失敗し、未露出領域におけるガウスの勾配が制限される結果となった。 この目的のために、本研究では、自然反射と調整可能な環境照明を通してシーンの外観をモデル化する物理的にインスパイアされたHDR-NVSフレームワークであるPhysHDR-GSを紹介する。 PhysHDR-GSは、標準的なカメラ観測を忠実に再現し、照明依存の外観変化を捉えるために、補完的な画像露光(IE)ブランチとガウス照明(GI)ブランチを使用している。 トレーニング中、提案したクロスブランチHDR一貫性損失は、HDRコンテンツの明示的な監視を提供する一方で、照明誘導勾配スケーリング戦略は、露光バイアスによる勾配の飢餓を緩和し、密度の低い表現を減らす。 リアルタイムレンダリング速度(最大76FPS)を維持しつつ,HDRの詳細の再構成(例:PSNRゲイン2.04dB over HDR-GS)において,実時間および合成データセット間の実験結果により,我々の優位性を実証した。 コードとモデルはhttps://huimin-zeng.github.io/PhysHDR-GS/で公開されている。

関連論文リスト

• HDR-NSFF: High Dynamic Range Neural Scene Flow Fields [25.023351117641358]
  HDR-NSFFは2次元の融合から4次元の時間モデルへのパラダイムシフトである。 実験により、HDR-NSFFは、挑戦的な露光変動の下でも詳細な放射コヒーレントダイナミクスを回復することが示された。 動的HDRシーンに特化して設計された,世界初の実世界のHDR-GoProデータセットを提示する。
  論文  参考訳（メタデータ） (2026-03-09T12:36:46Z)
• Dynamic Novel View Synthesis in High Dynamic Range [78.72910306733607]
  現在の手法は主に静的なシーンに焦点を当てており、すべてのシーン要素が静止していて生きていないことを暗黙的に仮定している。 HDR-4DGSは,革新的な動的トーンマッピングモジュールを備えたガウススプラッティング方式のアーキテクチャである。 実験により、HDR-4DGSは、定量的性能と視覚的忠実度の両方において、既存の最先端手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-09-26T04:29:22Z)
• LEDiff: Latent Exposure Diffusion for HDR Generation [11.669442066168244]
  LEDiffは、遅延空間露光融合技術により、HDRコンテンツを生成する生成モデルを実現する方法である。 また、LDR-to-fusionコンバータとしても機能し、既存の低ダイナミックレンジ画像のダイナミックレンジを拡張する。
  論文  参考訳（メタデータ） (2024-12-19T02:15:55Z)
• HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
  既存のHDR NVS法は主にNeRFに基づいている。 訓練時間は長く、推論速度は遅い。 我々は新しいフレームワークHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:46:58Z)
• Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
  本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。 実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-23T10:22:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。