知识卡片：朝向鲁棒且3D感知的暗光RGB-NIR成像

英文标题： Toward Robust and 3D-Aware RGB-NIR Imaging in the Dark

英文关键词： RGB-NIR imaging; Low-light imaging; 3D-aware neural modeling; NIR fusion

一句话结论

该论文提出一种无需干净RGB监督的3D感知RGB-NIR低光成像方法，通过将极嘈杂的RGB观测与近红外（NIR）线索在3D空间中隐式融合，恢复出干净RGB图像，并能在不同噪声水平下泛化。

事件概述或研究问题

低光成像仍具挑战性。已有研究尝试融合近红外（NIR）与含噪RGB来改善低光增强效果，但多数方法依赖精心配对的训练数据，在不同场景下的鲁棒性有限。本文提出新视角：引入3D感知神经建模来处理RGB-NIR低光成像问题。

方法/产品要点

• 不使用干净RGB图像作为监督信号。
• 模型在3D空间中隐式融合极度含噪的RGB观测与NIR线索。
• 目标是从噪声观测中有效恢复干净RGB图像。
• 避免了对干净RGB数据采集的需求。
• 声称在不同噪声水平下具有泛化能力。
• 代码已公开：https://github.com/MyNiuuu/3DarkFusion

主要结果或产业意义

摘要称在合成数据和真实数据上的广泛评估均证明了该方法的优越性。产业意义上，该方法可能降低低光成像训练数据的采集成本，对夜间监控、手机摄影、安防成像等依赖多模态融合的场景有潜在价值。具体定量指标和实际部署效果待核实。

为什么重要

该工作将3D感知建模引入RGB-NIR低光成像，提供了一条不依赖干净RGB配对数据的新路径，可能提升模型在复杂噪声环境下的鲁棒性。与既有知识卡片主题（具身智能、3D生成、点云投毒）无直接重复，属于低光成像与多模态融合方向的新增信息。

局限与不确定性

• 摘要未给出具体定量结果、数据集规模和基线对比细节，需进一步核实。
• “3D感知”的具体实现方式、是否需要额外3D几何信息或训练数据，摘要中未详细说明，待核实。
• 跨噪声水平泛化的边界条件和真实场景性能尚未在摘要中展开，待核实。
• 代码可用但未被本文验证。

可用于图书/PPT/简报的角度

• 夜间成像与多模态传感：RGB+NIR融合的最新进展。
• 摆脱“干净标签”依赖：无干净RGB监督的低光图像恢复。
• 3D感知与图像增强的交叉应用。
• 低光成像从“数据配对”走向“模型先验”的研究趋势。

原始材料

• arXiv ID: 2607.29684v1
• 作者：Muyao Niu, Mingze Ma, Yifan Zhan, Qingtian Zhu, Zhihang Zhong, Wei Guo, Chang Wen Chen, Yinqiang Zheng
• 发布时间（更新）：2026-07-31T17:59:18Z
• 主分类：cs.CV
• 摘要URL：https://arxiv.org/abs/2607.29684v1
• PDF URL：https://arxiv.org/pdf/2607.29684v1