COREA : Alignement de Représentations 3D de Grossier à Fin entre des Gaussiennes 3D Rééclairables et un SDF par Supervision Bidirectionnelle 3D-à-3D
COREA: Coarse-to-Fine 3D Representation Alignment Between Relightable 3D Gaussians and SDF via Bidirectional 3D-to-3D Supervision
December 8, 2025
Auteurs: Jaeyoon Lee, Hojoon Jung, Sungtae Hwang, Jihyong Oh, Jongwon Choi
cs.AI
Résumé
Nous présentons COREA, le premier cadre unifié apprenant conjointement des Gaussiennes 3D relightables et un champ de distances signées (SDF) pour une reconstruction géométrique précise et un relighting fidèle. Bien que les méthodes récentes de *Gaussian Splatting* 3D (3DGS) aient été étendues à la reconstruction de maillages et au rendu physiquement réaliste (PBR), leur géométrie est toujours apprise à partir de rendus 2D, conduisant à des surfaces imprécises et à une décomposition BRDF-éclairage peu fiable. Pour résoudre ces limitations, COREA introduit une stratégie d'alignement bidirectionnel 3D-à-3D grossier-à-fin permettant aux signaux géométriques d'être appris directement dans l'espace 3D. Au sein de cette stratégie, la profondeur fournit un alignement grossier entre les deux représentations, tandis que les gradients de profondeur et les normales affinent la structure à fine échelle, et la géométrie résultante supporte une décomposition BRDF-éclairage stable. Un mécanisme de contrôle de densité stabilise en outre la croissance des Gaussiennes, équilibrant la fidélité géométrique et l'efficacité mémoire. Les expériences sur des benchmarks standards démontrent que COREA atteint des performances supérieures en synthèse de nouvelles vues, reconstruction de maillages et PBR au sein d'un cadre unifié.
English
We present COREA, the first unified framework that jointly learns relightable 3D Gaussians and a Signed Distance Field (SDF) for accurate geometry reconstruction and faithful relighting. While recent 3D Gaussian Splatting (3DGS) methods have extended toward mesh reconstruction and physically-based rendering (PBR), their geometry is still learned from 2D renderings, leading to coarse surfaces and unreliable BRDF-lighting decomposition. To address these limitations, COREA introduces a coarse-to-fine bidirectional 3D-to-3D alignment strategy that allows geometric signals to be learned directly in 3D space. Within this strategy, depth provides coarse alignment between the two representations, while depth gradients and normals refine fine-scale structure, and the resulting geometry supports stable BRDF-lighting decomposition. A density-control mechanism further stabilizes Gaussian growth, balancing geometric fidelity with memory efficiency. Experiments on standard benchmarks demonstrate that COREA achieves superior performance in novel-view synthesis, mesh reconstruction, and PBR within a unified framework.