自适应高斯椭球与复杂光照鲁棒的多视图三维头发重建

作者：Jingyi Liu, Zhang Jingsong, Ma Jian, Li Kun · 发表于：Journal of Image and Graphics · 年份：2026 · DOI：10.11834/jig.260062 · 研究领域：Visual Attention and Saliency Detection、Advanced Image and Video Retrieval Techniques、Gaze Tracking and Assistive Technology

头发的三维重建作为计算机视觉与计算机图形学领域中的重要研究方向，旨在精确建模头发复杂的几何结构与外观特性。现有的头发重建方法大多建立在理想光照假设下，能够在简单发型上取得较好效果，但在面对复杂光照条件以及致密卷发、高卷曲发型等高复杂度发型时，难以保持几何结构的准确性与重建结果的稳定性。本文提出一种基于自适应高斯椭球表示并具备复杂光照鲁棒性的多视图三维头发重建方法，能够在真实复杂场景中实现高精度的头发几何结构建模及细节丰富、外观一致的纹理重建。具体来说，本文提出了一种结合视觉语言模型（Vision-Language Model，VLM）与三维高斯泼溅（3D Gaussian Splatting，3DGS）的重建框架，实现对复杂发型（如致密卷发、高卷曲发型）的精细几何建模与逼真外观恢复。本文在多视图三维头发重建领域引入VLM对多视角图像进行光照质量评估与发型复杂度分析，构建光照-复杂度双感知的闭环引导机制。智能定位低光及逆光视角，动态调整高斯椭球密度，实现稀疏几何区域的自适应填充。本文设计了几何-纹理解耦优化策略，先联合优化几何与颜色，再在固定几何下微调颜色。实验结果表明，本文方法在自建数据和公共数据集上的定性结果均优于现有最先进方法（如Gaussian Haircut、Im2Haircut、DiffLocks），在几何精度、方向一致性和纹理恢复上均取得提升。与 Gaussian Haircut 相比，本文方法的PSNR（Peak Signal-to-Noise Ratio） 提高0.54dB，SSIM （Structural Similarity Index Measure）提高0.004，LPIPS（Learned Perceptual Image Patch Similarity）降低0.01，验证了本文方法在重建质量与视觉一致性方面的有效性。综上，本文方法通过引入视觉语言模型与自适应密度控制的协同机制，提升了复杂光照与高复杂度发型条件下的三维头发几何重建精度与稳定性，实现了几何结构与外观纹理的一致重建，并增强了方法在真实场景中的鲁棒性与泛化能力。本文方法的代码已开源至GitHub平台（https：//github.com/Blueekyyy/CURL），同时已在ScienceDB平台完成代码公开（https：//doi.org/10.57760/sciencedb.j00240.00223）。