DiagSplat · controlled RAW-noise experiment · 7 August 2026

NTF-v1 still leads.
Official baselines overfit the noise.

RawNeRF sharpshadow，31 张 ×64 calibrated Bayer-noise 训练图、5 张 clean held-out 测试图。这里把 Vanilla、我们此前的 NTF-v1 / legacy Raw3DGS 复现，以及 HDRSplat 官方仓库里的 HDRSplat 与 Raw3DGS baseline 放到同一 camera-linear 评测口径下。

31 noisy train / 5 clean test1008 × 7567k + 30k checkpointsNTF-v1 · 27.78 dBRepo Raw3DGS · 10.23M GS

Clean target and seven noisy RAW reconstruction variants

Best clean-test PSNR27.78 dBNTF-v1 · 30k

Best LPIPS0.180NTF-v1 · lower is better

HDRSplat 7k → 30k−4.96 dBlate-stage noise overfit

Repo Raw3DGS 30k10.23M55× Vanilla GS count

训练和测试数据单独查看

共享数据页完整展示全部 31 张 noisy training images、5 张 clean test images，以及 clean / noisy / noise-map protocol。所有本页方法使用同一组相机与 split。

Open dataset page ↗

先说结论

我们的核心 idea 仍然有效

NTF-v1 在 PSNR / SSIM / LPIPS 三项上都最好，而且仅 175,689 个 GS；相比 Vanilla 提升 +1.67 dB，没有靠 primitive 爆炸换分数。

这两个 repo baseline 在 ×64 上不稳

HDRSplat 的最佳保存点是 7k，但仍只有 22.86 dB；继续到 30k 降至 17.90 dB。Repo Raw3DGS 从 7k 的 18.26 降到 17.39 dB，并膨胀到 10.23M GS。

它们暴露了两个不同问题

HDRSplat 有去噪与色彩/边界偏差；RawNeRF loss alone 则直接把 Bayer 噪声编码成大量小 Gaussian。NTF-v1 抑制噪声更强，但远处树和细枝仍偏平滑。

统一 camera-linear RAW 指标

Method	Iter	PSNR ↑	SSIM ↑	LPIPS ↓	Stored primitives	Reading
Vanilla 3DGS	30k	26.1102	0.8387	0.2567	185,472 GS	noisy control
Legacy Raw3DGS-style Scaffold	30k	26.3635	0.7526	0.3263	1,917,475 anchors	previous reproduction
NTF-v1 · asinh	30k	27.7792	0.8676	0.1800	175,689 GS	best overall
HDRSplat · PMRID ISO×8	7k	22.8630	0.8471	0.1919	1,014,765 GS	best HDRSplat checkpoint
HDRSplat · PMRID ISO×8	30k	17.8983	0.7020	0.2086	1,098,109 GS	late overfit / color drift
HDRSplat repo “Raw3DGS”	7k	18.2602	0.8068	0.2729	9,960,661 GS	noise memorization
HDRSplat repo “Raw3DGS”	30k	17.3897	0.7797	0.3212	10,226,552 GS	worst final checkpoint

PSNR SSIM LPIPS and primitive count comparison

公平性说明：表中均直接比较 camera-linear reconstruction 与 clean camera-linear target，不使用 HDRSplat 的 per-image affine / color-corrected PSNR。官方结果中的 color-corrected PSNR3 会把 HDRSplat 30k 提到 28.25 dB，但它依赖每张测试图的 GT 做颜色拟合，不能与 Vanilla / NTF 的无 GT 校正结果直接比较。旧方法是 8-bit linear PNG，新方法是 float NPY，量化差异很小但仍应在最终论文实验中统一。

逐视角视觉对比

切换 test view 与 Full / Tree crop / Error map。点击图片可放大。

Test view

任意两方法滑动对比

LeftRightWipe

我看到的视觉现象

NTF-v1：天空、墙面和暗部最干净，整体结构最稳；代价是树冠、细枝与屋顶线条被明显低通，局部呈现“糊成一团”。
HDRSplat 7k：远处树轮廓有时比 NTF 更有纹理，但其中混有彩色噪点，不是可靠的 high-frequency recovery；画面边界还出现 PMRID padding / tiling 伪影。
HDRSplat 30k：全局红紫色漂移和低频雾状纹理进一步增强，说明优化在拟合 denoiser bias 与残余噪声。
Repo Raw3DGS：细节看似“锐”，放大后主要是高频彩噪；10M GS 是最直接的噪声几何化证据。

对下一步的含义

NTF-v1 不是“彻底解决 noise”，而是目前最好的 noise suppression / geometry regularization；它的主要 failure mode 已从噪声小 GS 转为细节过平滑。
最值得做的不是把 HDRSplat 整体并进来，而是借鉴它的 early stopping 与显式 denoised target，同时避免 PMRID 的色偏和边界伪影。
下一轮可做频率自适应 NTF：低 SNR 区维持强压缩，高置信边缘逐步放宽 transfer，并配合 GS growth budget，目标是保住树枝而不重新引入 10M noisy GS。

关键判断：这个 baseline 对比支持我们的方向，但也很清楚地告诉我们：下一阶段要解决的是“去噪与高频保真之间的局部自适应”，不是继续提高全局 denoising 强度。

方法名称与运行状态说明

HDRSplat	官方仓库路径：PMRID preprocessing + HDRSplat RAW loss/tuning；PMRID ISO multiplier 设为 8，对应本实验噪声方差 ×64（标准差 ×8）。
HDRSplat repo “Raw3DGS”	仓库提供的 baseline 是 original 3DGS + RawNeRF scaled loss；不是完整 NeurIPS Raw3DGS 的 pretrained noise extractor 方法。
Legacy Raw3DGS-style	我们先前按论文描述复现的 Scaffold-GS + RawNeRF loss baseline；同样不应称为官方完整 Raw3DGS。
Run status	两条训练和 5-view 30k 渲染均完成。由于 `/local/scratch-2` 已满，repo Raw3DGS 的自动 metrics 写盘中断；本页从已有 5 个 float RAW renders 只读重算 PSNR / SSIM / LPIPS，未删除 checkpoint。
Artifacts	Common RAW metrics JSON · Previous NTF-v1 / legacy baseline report · Shared dataset page