SGS-Intrinsic: Semantic-Invariant Gaussian Splatting for Sparse-View Indoor Inverse Rendering¶

会议: CVPR 2026
arXiv: 2603.27516
代码: https://github.com/GrumpySloths/SGS_Intrinsic.github.io
领域: 3D视觉
关键词: 逆渲染, 稀疏视图, 高斯溅射, 材质分解, 室内场景

一句话总结¶

SGS-Intrinsic 提出两阶段室内逆渲染框架，第一阶段利用语义和几何先验构建稠密几何一致的高斯场，第二阶段结合混合光照模型和材质先验进行材质-光照分解，并通过去阴影模块防止阴影烘焙到反照率中。

稀疏视图的室内逆渲染是极度病态的问题：监督信号稀疏、室内光照复杂（近场+高频）、材质与光照强耦合。现有方法要么只做几何重建不分解材质，要么假设远距离光源（对室内不适用），要么无法在稀疏视图下工作。

三大挑战：(1) 稀疏视图下高斯重建几何不可靠；(2) 室内近场高频光照建模困难；(3) 投射阴影容易被错误地烘焙进材质。

两阶段：Stage I 用 VGGT 初始化稠密点云，加入法线和语义先验监督构建高质量高斯几何场；Stage II 在此基础上用混合光照模型（环境图+球面高斯混合）+ 扩散材质先验 + 去阴影模块做逆渲染。

先验引导的稠密几何重建:
- 功能：在稀疏视图下构建可靠的高斯几何基础
- 核心思路：用 VGGT 替代传统 SfM 获取稠密场景布局点云。然后用 StableNormal 提供法线监督 \(\mathcal{L}_{normal} = 1 - \hat{n}^T n_m\)，用 LSEG 提供语义监督。额外引入训练视图与虚拟视图间的语义一致性约束防止过拟合
- 设计动机：传统 SfM 在稀疏视图下只能产生稀疏点云，不足以支撑高斯优化。预训练模型提供的稠密先验弥补了监督不足
混合光照模型 + 材质先验:
- 功能：准确建模室内复杂光照并实现有效的材质-光照分解
- 核心思路：环境图捕获远距离环境光，球面高斯混合（SGM）建模近场高频光照。利用扩散模型的材质先验提供跨视图和跨光照的材质一致性约束，收获光照-视图不变的材质重建
- 设计动机：单一光照模型不够灵活，混合方案分别处理不同频率的光照成分。材质先验帮助打破材质-光照的固有歧义
轻量去阴影模块:
- 功能：防止投射阴影被错误烘焙到反照率（albedo）中
- 核心思路：引入轻量去阴影模型显式建模可见性，将阴影区域的暗色归因于遮挡而非材质。配合光照不变的材质一致性约束，确保同一材质在不同光照条件下产生相同的反照率
- 设计动机：室内场景阴影复杂，如果不显式处理，优化器会把阴影解释为材质颜色

Stage I：RGB重建损失 + 法线损失 + 语义一致性损失。Stage II：PBR渲染损失 + 材质一致性损失 + 去阴影正则化。

方法	Interiorverse NVS PSNR	Albedo准确度	说明
GeoSplat	较低	较低	几何不够
IRGS	中等	中等	光照模型受限
SGS-Intrinsic	最优	最优	全面超越

在基准数据集上的新视图合成和逆渲染指标全面领先。

配置	NVS质量	材质分解	说明
无先验引导	明显下降	差	几何不可靠影响后续
无混合光照	—	下降	近场光照建模不足
无去阴影	—	阴影烘焙	反照率被阴影污染
完整模型	最优	最优	所有组件必要