AbsGS 是目前最强直接 baseline
x0/x64 PSNR 都最高；x64 中树冠轮廓和内部变化比 Vanilla、NTF-v1 更明确。这验证了 gradient collision 确实参与了树叶 under-densification。但它也把天空和暗部的随机噪声变成细粒度 GS，SSIM/LPIPS 不如 NTF-v1。
RawNeRF Sharpshadow · fine-detail densification study · 9 August 2026
AbsGS wins PSNR.
SAD-GS exposes the noise trap.
Vanilla 3DGS、NTF-v1、AbsGS 与 SAD-GS 在同一 x0 / x64 calibrated RAW-noise split 上比较。AbsGS 的 homodirectional gradient 明显修复了 under-densification；SAD-GS 在 3k 内快速生成高频结构，但直接从 noisy image 估计频率会把噪声当细节。
31 train / 5 clean test1008 × 756no GT color fittingAbsGS x64: 28.275 dBSAD-GS x64: 390,873 GS
x64 best PSNR · AbsGS28.275+2.165 dB vs Vanilla
x64 best SSIM · NTF-v10.8676noise suppression remains valuable
x64 tree ROI · SAD-GS25.594but block artifacts remain outside ROI
x64 SAD-GS density390.9k+111% vs Vanilla
训练与测试数据
训练数据与全部 clean held-out test views 已放在独立页面。这里不重复复制训练集，所有方法使用相同相机、split 与 x0/x64 输入。
Global clean-test metrics
同一 5-view evaluator。除 SAD-GS 使用作者的 3k outdoor schedule 外，其余均为 30k；因此 SAD-GS 是速度/结构对比，不是等预算质量对比。
| Noise | Method | Iter | PSNR ↑ | Δ vs Vanilla | SSIM ↑ | LPIPS ↓ | Gaussians |
|---|---|---|---|---|---|---|---|
| x0 | Vanilla 3DGS | 30k | 27.990 | — | 0.8952 | 0.2354 | 215,040 |
| x0 | NTF-v1 | 30k | 21.728 | −6.262 | 0.8609 | 0.2223 | 191,648 |
| x0 | AbsGS | 30k | 28.369 | +0.379 | 0.9046 | 0.2163 | 156,538 |
| x0 | SAD-GS | 3k | 27.800 | −0.190 | 0.8979 | 0.1869 | 231,844 |
| x64 | Vanilla 3DGS | 30k | 26.110 | — | 0.8387 | 0.2567 | 185,472 |
| x64 | NTF-v1 | 30k | 27.779 | +1.669 | 0.8676 | 0.1800 | 175,689 |
| x64 | AbsGS | 30k | 28.275 | +2.165 | 0.8570 | 0.1943 | 222,306 |
| x64 | SAD-GS | 3k | 27.026 | +0.916 | 0.8362 | 0.1758 | 390,873 |
Held-out visual comparison
切换 x0/x64、测试视角与 full/tree crop。点击任意图片查看原图。
Tree crop 仅改变网页显示区域，不改变图像或指标。不同视角使用预先登记的 tree-plus-context 位置。
Tree-plus-context diagnostic
固定 ROI，数值越高越好。它能衡量树区域，但不会惩罚 ROI 外的 SAD-GS 前景方块，因此必须与全图视觉一起看。
| Noise | Method | Tree PSNR | Gradient PSNR | High-pass PSNR |
|---|---|---|---|---|
| x0 | Vanilla | 22.539 | 27.287 | 29.998 |
| x0 | NTF-v1 | 18.984 | 27.136 | 30.100 |
| x0 | AbsGS | 23.351 | 30.392 | 33.223 |
| x0 | SAD-GS | 24.220 | 30.724 | 33.550 |
| x64 | Vanilla | 21.616 | 27.446 | 30.289 |
| x64 | NTF-v1 | 23.331 | 29.210 | 32.067 |
| x64 | AbsGS | 23.829 | 29.816 | 32.650 |
| x64 | SAD-GS | 25.594 | 31.427 | 34.274 |
简单分析
SAD-GS 对 RAW noise 过于激进
3k 就得到很强的 tree ROI 和最低 LPIPS，但 x64 增长到 390,873 GS，并在暗部前景产生明显方块/大 splat。说明直接从 noisy training image 提取 structure tensor 会把随机噪声当作需要表达的高频。
NTF-v1 与 densification 是互补的
NTF-v1 在 x64 保持最高 SSIM、接近最佳 LPIPS且 GS 最少，但树仍是平滑团块；AbsGS 恢复结构却重新引入噪声。最自然的组合是：NTF 负责 appearance/noise，AbsGS 负责碰撞前的 gradient signal，SAD-GS 只读取去噪后的结构图。
当前判断：不要直接采用 SAD-GS，也不要只继续调 NTF loss。最值得实现的是 NTF/noise-aware photometric loss + AbsGS homodirectional gradient + denoised SAD-GS structure guidance。这三个组件分别解决 noise fitting、gradient collision 和 split direction。
Protocol
DatasetRawNeRF Sharpshadow
31 train / 5 clean test, factor 4
31 train / 5 clean test, factor 4
Noisex0 / calibrated x64
noise added to train only; test remains clean
noise added to train only; test remains clean
Budgets30k except SAD-GS 3k
official outdoor schedule; no NTF/VST in Abs/SAD runs
official outdoor schedule; no NTF/VST in Abs/SAD runs