基于光线分解与梯度约束的神经辐射场：低光照条件下少样本视角合成新方法

本文提出R-GNeRF框架，通过无监督光线分解（反射分量与光照分量）结合梯度约束，有效解决低光照（10−3-10−4 lux）少样本条件下神经辐射场（NeRF）的过拟合与色彩失真问题。创新性引入视角一致性退火策略自适应调整采样半径，并在自建3L-P光子计数数据集上验证了方法优越性（PSNR提升4.97dB，训练加速40倍），为暗环境三维重建提供新思路。

亮点（Highlights）

• •
  提出R-GNeRF框架，集成光线分解与梯度约束机制，通过独立建模反射与光照分量实现低光照场景的无监督正常光照合成。
• •
  设计视角一致性退火策略，基于跨视角投影一致性动态调整采样球半径，有效平衡全局几何学习与局部细节重建。
• •
  构建极低光照数据集3L-P（10⁻³-10⁻⁴ lux），采用多像素光子计数器（MPPC）验证方法在极端条件下的鲁棒性。

方法（Method）

本节首先回顾神经辐射场（NeRF）基础原理，随后详细介绍R-GNeRF的核心模块：光线分解、梯度约束与一致性约束。其中光线分解将采样光线拆解为反射射线与照明射线，分别由独立的多层感知机（MLP）建模；梯度约束强制反射分量保持物体表面高频纹理变化，而照明分量需满足空间平滑性。视角一致性退火策略通过计算跨视角投影一致性得分，在训练初期采用大采样半径学习全局结构，随训练进程逐步收缩半径以精细化局部细节。

数据集（Dataset）

实验采用LOM真实低光照数据集与自建3L-P数据集。LOM包含5类场景（如"buu""chair"等），图像分辨率500×375；3L-P基于MPPC平台采集，覆盖10⁻³-10⁻⁴ lux照度，为极暗环境评估提供基准。每个场景选取3视图和8视图分别进行少样本训练验证。

结论（Conclusion）

R-GNeRF通过辐射场分解与梯度引导的约束机制，成功实现低光照少样本条件下的高质量新视角合成。视角一致性退火策略显著缓解过拟合，3L-P数据集的建立进一步拓展了方法在极低光照场景的适用性。