VSF3DGS · Decoupled Densification for Low-Light GS · 内部结果页 · 2026-11-13

3DGS 与 Lumi-GS:指标、#GS 与视觉对比(seed 42,不设 GS 上限)

先看结论

指标怎么读

PSNR / SSIM(逐像素):只看和参考图的逐像素差。参考图有噪声时,「平滑、去噪、均值对」的结果得分最高,因为噪声无法从其他视角学到。

raw PSNR:在相机线性空间算,暗部误差占比更大,对颜色或亮度偏差很敏感。

LPIPS(AlexNet 特征距离,越低越好):对「糊」惩罚很重。两张都有颗粒、但颗粒互不相关的图,往往比「一张有颗粒、一张平滑」的距离更近。所以参考图有噪声时,它会奖励高频纹理,哪怕那是假纹理。

CVVDP(JOD,越高越好):模拟人眼在 200 cd/m² 显示器上的可见差异,对对比度和清晰度损失敏感,对暗部细微噪声不敏感。

下面的 LPIPS 热力图和 evaluator 用的是同一套 AlexNet v0.1 权重(spatial 模式)。每张图的热力图均值等于该视角的 LPIPS 分数;同一场景的三个 arm 共用一个色标。

平均结果(7 项指标 + #GS)

Host
显示

底色是相对 native 的胜负:绿 = 比 native 好,红 = 比 native 差。粗体 = 本组最好。RawNeRF 的 RAW LPIPS 按论文惯例 ×1000;Dark3R 用原始值。

逐场景:每个指标三个 arm 的位置

Host
指标
表格视图(全部场景)

视觉对比

Host
场景

渲染(与 evaluator 相同的 sRGB 显示映射)

LPIPS 热力图(越深 = 和参考差异越大)与 Δ 图

0
LPIPS 热力图,三个 arm 同一色标
0
Δ = LPIPS(SN) − LPIPS(native):红 = native 更接近参考,蓝 = SN 更接近参考

局部放大:native 最占优的区域

局部放大:SN 最占优的区域

滑块对比

左右

Gate 拦截统计(SN_G)

「候选」= 整个训练中进入 Gate 检验的增密候选数(累计)。#GS 比 = SN_G 最终 #GS ÷ SN 最终 #GS。

说明