COREA: Allineamento di Rappresentazioni 3D dalla Scala Grossolana a Quella Fine tra Gaussiane 3D Rilluminabili e SDF tramite Supervisione Bidirezionale 3D-to-3D
COREA: Coarse-to-Fine 3D Representation Alignment Between Relightable 3D Gaussians and SDF via Bidirectional 3D-to-3D Supervision
December 8, 2025
Autori: Jaeyoon Lee, Hojoon Jung, Sungtae Hwang, Jihyong Oh, Jongwon Choi
cs.AI
Abstract
Presentiamo COREA, il primo framework unificato che apprende congiuntamente Gaussian 3D rilucidabili e un Campo di Distanza con Segno (SDF) per una ricostruzione geometrica accurata e una rilucidazione fedele. Sebbene i recenti metodi di Gaussian Splatting 3D (3DGS) si siano estesi verso la ricostruzione di mesh e il rendering fisicamente basato (PBR), la loro geometria è ancora appresa da rendering 2D, portando a superfici grossolane e a una decomposizione BRDF-illuminazione inaffidabile. Per affrontare queste limitazioni, COREA introduce una strategia di allineamento bidirezionale 3D-to-3D di tipo coarse-to-fine che consente ai segnali geometrici di essere appresi direttamente nello spazio 3D. All'interno di questa strategia, la profondità fornisce un allineamento grossolano tra le due rappresentazioni, mentre i gradienti di profondità e le normali affinano la struttura a scala fine, e la geometria risultante supporta una decomposizione BRDF-illuminazione stabile. Un meccanismo di controllo della densità stabilizza ulteriormente la crescita dei Gaussian, bilanciando fedeltà geometrica ed efficienza di memoria. Esperimenti su benchmark standard dimostrano che COREA raggiunge prestazioni superiori nella sintesi di nuove viste, nella ricostruzione di mesh e nel PBR all'interno di un framework unificato.
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.