← 返回 PaperDaily
视觉与图像
CVPR 2026新作DR-GS：可变形高斯也能重光照
动态高斯最烦的，不是会动，而是 一动就把光照也“焊死”在纹理里 。DR-GS干的事很直接：把几何、光照、材质拆开，再让它们在变形和换光下各司其职。
龙哥读论文
发布于 2026-08-14 21:50:15
阅读 5
查看原文
🐉 龙哥读论文知识星球来了！ 公众号每日8篇拆解不够看？星球 无上限更AI领域论文、资讯、招聘、招博、开源代码， 一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
龙哥导读：一动就把光照也“焊死”在纹理里
原论文信息如下：
现有可变形高斯泼溅方法的局限性 动态高斯这几年很火，但不少方法有个共同毛病：能动，不代表能像真实物体那样动
这篇论文先把问题说得很直白：传统的“先重建、再驱动”路线，虽然工程上好理解，但本质上还是把场景当成一张静态快照。训练时看到的高光、阴影、环境反射，往往被烘焙进每个高斯的颜色里；后面只要几何一动，原本属于光照的东西也跟着跑偏。对于金属、陶瓷、亮面塑料这类最容易暴露问题的材质
更尴尬的是，很多方法虽然能做动态重建，却不太支持后期编辑。也就是说，模型“长什么样”基本在重建阶段就定死了，后面想单独改材质、改光照、改几何关系，难度很高。对数字内容创作来说，这就像买了一台不能换镜头的相机：能拍，但可玩性很低。
DR-GS：一个统一的物理真实感框架 DR-GS 的思路很干脆：既然问题出在“什么都揉在一起”，那就把它们拆开。它把几何、光照、材质
这里先解释几个关键缩写。GS PBR BRDF MIS GMLS TSDF SVGF
第一步，框架从多视角标定图像出发，先预训练得到初始的 2D 高斯和网格，再通过 TSDF 提取三角网格。第二步，把原本混在颜色里的信息拆成材质参数和几何参数：材质包括反照率、金属度、粗糙度，几何包括位置、法线等；然后用物理渲染方程去求解光照。第三步，动态驱动阶段不再粗暴地“整团搬家”，而是通过物理模拟或动画得到形变后的粒子云/网格，再用变形梯度把高斯更新过去。这样，形变和渲染就不是互相踩脚，而是各干各的活。
核心原理：解耦几何、光照与材质 这篇工作的真正看点，不是“又加了一个模块”，而是它把动态高斯最难缠的三件事拆开了：几何负责形状，光照负责环境，材质负责表面反应
先说静态重建。论文沿用了 2D Gaussian Splatting 的思路，把每个高斯看成一个带方向、尺度、透明度和颜色的二维表面元。相比 3D 高斯，2D 形式更贴近表面，法线也更明确，便于后续做物理渲染。然后，作者把高斯再挂到网格上，形成两种驱动方式：一种是粒子驱动，适合复杂物理形变；另一种是网格驱动，适合编辑、雕刻和动画。这个设计挺务实，毕竟真实项目里不可能所有场景都用同一种驱动。
再说参数解耦。DR-GS 不满足于只输出一个“看起来差不多”的颜色，而是直接估计物理意义更明确的材质参数，比如反照率、金属度和粗糙度。之后，它不是靠简单的经验光照模型糊过去，而是显式求解渲染方程，也就是把出射辐射亮度写成对入射光在半球上的积分。为了让这个积分算得动，论文使用 MIS，把余弦采样、GGX 采样和环境光采样混在一起，分别照顾漫反射、高光和环境照明。说白了，就是别指望一种采样方式包打天下，得让不同分布各自出力。
这里还有一个很关键的工程选择：动态阶段不再完全依赖 2D 高斯射线追踪，而是把材质参数存到 TSDF 提取出的网格顶点上，再用网格射线追踪加速第一次交点查找。这个改动很像把“每帧都从头翻整本字典”变成“先查目录再定位章节”，效率明显更友好。作者还在渲染端加了交叉双边滤波，减少蒙特卡洛噪声，同时尽量保住边缘和法线变化，避免画面像刚从砂纸上擦过。
实验结果：在形变与重光照下的卓越表现 实验部分的价值很直接：不是只看“单帧好不好看”，而是同时看静态重建、动态形变、重光照、用户感知
先看静态重建。和 PhysGaussian、GSP、SuGaR、Mani-GS、GaussianMesh 等方法相比，DR-GS 在多数场景上都拿到了更好的重建质量，尤其是在高反射物体上优势更明显。原因不难理解：别的方法常常把光照和纹理混在一起，结果一变形就露出“假亮斑”和“脏反射”；DR-GS 则把材质和光照拆开，几何也更稳定，所以画面更干净，表面细节更连贯。
再看重光照。这里最有意思的对比是 IRGS、Ref-Gaussian 和 DR-GS。IRGS 理论上已经在做物理渲染，但在亮面物体上仍然容易偏暗，高光细节也会丢；Ref-Gaussian 在某些场景里能做出不错的反射，但材质和光照的解耦还不够彻底，换环境时容易出现斑驳感。DR-GS 的优势在于，它把完整渲染方程和多重重要性采样结合起来，既保留了高光，又避免把环境光“烤死”在表面上。
动态质量方面，论文没有强行拿一个不成立的数值指标去糊弄，因为形变后没有真实值，直接算 PSNR 没意义。于是作者做了用户研究，从物理合理性、时间一致性和形变一致性三个角度打分。结果里，DR-GS 在重光照和未重光照条件下都拿到了最高或接近最高的评价，说明它的优势不只是实验室里“看起来不错”，而是人眼也更容易觉得对。
编辑潜力与未来展望 DR-GS 最值得注意的地方，其实不是某一张图有多好看，而是它把“能渲染”推进到“能编辑”。材质参数被显式拆出来后，后期就不再只是调亮度、改色调这种表面操作，而是可以对反照率、金属度、粗糙度做更接近真实资产生产的编辑。对游戏、影视、虚拟人、工业仿真来说，这种能力的意义很实在：同一个资产，可以在不同光照、不同动作、不同材质设定下复用
不过，论文也没有把话说满。作者明确指出，虽然 DR-GS 消除了动态场景里常见的“光照烘焙”问题，但代价是需要求解渲染方程，训练和渲染效率都比原生 3DGS 更重。这个判断很诚实，也很重要。毕竟物理真实感这条路从来不是白送的，想要更真，通常就得付出更多算力。对落地来说，后续真正值得继续追的方向，可能是更轻量的采样、更稳定的动态材质估计，以及更适合大规模资产生产的缓存与加速策略。
项目页还给出了演示视频，最直观的感受就是：动态形变、换光、材质编辑三件事终于不是互相打架了，而是能在同一个资产上同时成立。对于 VR/AR 和数字内容创作，这种“一个表示，三种能力”的思路很有吸引力。它未必已经是终局方案，但至少把方向指得很清楚：未来的高斯，不该只是会闪、会动，而应该是可解释、可编辑、可复用
龙迷三问 这篇论文到底解决了什么问题？
MIS 和 GMLS 分别在干什么？
它适合直接落地吗？
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆ 这篇工作的亮点不在“发明了一个全新高斯”，而在于把动态重建、物理渲染、重光照和材质编辑统一到了一个可解释框架里，方向很完整。
实验合理度： ★★★★☆ 对比方法选得比较对路，既有动态高斯路线，也有可重光照路线；用户研究也补上了动态场景缺少真值的短板，整体比较扎实。
学术研究价值： ★★★★★ 把“会动”和“会真实反光”同时做对，这件事对可编辑数字资产、物理渲染和动态场景理解都有研究价值。
稳定性： ★★★☆☆ 物理管线更真实，但也更重；在复杂场景里能工作，不代表已经轻到能无脑上生产线。
适应性以及泛化能力： ★★★★☆ 对亮面、复杂结构、不同光照都有覆盖，适应性不错，但仍主要围绕已知的可控资产场景展开。
硬件需求及成本： ★★★☆☆ 比原生 3DGS 重不少，采样、渲染和加速都要花成本；想要实时高质量，硬件压力不会小。
复现难度： ★★★☆☆ 论文给了方法细节和项目页，但物理渲染、网格加速、动态驱动都不是一两行代码能拼出来的。
产品化成熟度： ★★★☆☆ 适合高质量内容生产和研究原型，离“开箱即用的大规模生产工具”还有距离，但方向是对的。
可能的问题： 解决了真实感，却把计算成本抬高了；如果后续不能继续降采样和提速，落地会被算力卡住。
主要参考文献
Jiaxin Li, Tong Wu, Yi Wei, Tailin Wu, Li Zhang. DR-GS: Physically-Based Deformable and Relightable 2D Gaussians. arXiv:2606.29379v1, 2026. 项目页：https://jiaxinlia.github.io/DR-GS/ 原文链接：https://arxiv.org/pdf/2606.29379v1.pdf *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥） ，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
3D高斯、重光照、可变形渲染这类硬活，群里最适合拿来掰开揉碎聊。
