AstroSplat: Physics-Based Gaussian Splatting for Rendering and Reconstruction of Small Celestial Bodies

Probleemstelling

De reconstructie van oppervlakken en de fotometrische karakterisering van kleine hemellichamen (zoals asteroïden, kometen en manen) zijn cruciaal voor ruimtemissies, inclusief navigatie, landingsselectie en wetenschappelijke analyse. Traditionele methoden, zoals stereofotoclinometrie (SPC), vereisen vaak hoogwaardige a priori informatie en menselijke tussenkomst om uitlijningsfouten te corrigeren, wat de schaalbaarheid en autonomie beperkt.

Recente doorbraken in neurale scenes representaties, specifiek Gaussian Splatting (en de variant 2DGS), bieden real-time rendering en reconstructie. Echter, de standaardimplementatie gebruikt Sferische Harmonischen (SH) om de reflectantie-eigenschappen te parametriseren. Deze benadering is puur op uiterlijk (appearance-based) gebaseerd:

• Het encodeert intensiteit afhankelijk van het gezichtspunt zonder de onderliggende fysica van licht-oppervlakinteracties expliciet te modelleren.
• Dit leidt tot een verstrengeling van geometrie en albedo (oppervlaktehelderheid). Het model kan veranderingen in verlichting ten onrechte toeschrijven aan veranderingen in albedo in plaats van aan topografie.
• Het resultaat is vaak een afgevlakt oppervlak met onnauwkeurige normaalvectoren en albedokaarten.

Methodologie: AstroSplat

Het artikel introduceert AstroSplat, een fysica-gebaseerd Gaussian Splatting-framework dat planetaire reflectiemodellen integreert in de intensiteitsberekening. In plaats van SH-coëfficiënten te leren, gebruikt AstroSplat fysische modellen om de intensiteit van elk "Gaussian" (een 2D elliptisch vlak) te bepalen op basis van:

1. De richting van de lichtbron (zon).
2. De oppervlaktenormaal (geleid uit de oriëntatie van het Gaussian).
3. De kijkrichting.
4. Een per-Gaussian geleerde albedo (materiaal eigenschap).

Fotometrische Modellen:
De auteurs testen drie specifieke reflectiemodellen om de pixelintensiteit te berekenen:

• Lambert: Gaat uit van een perfect diffuus oppervlak (afhankelijk alleen van invalshoek).
• Lommel-Seeliger: Modellert enkelvoudige verstrooiing, afhankelijk van invalshoek, kijkhoek en normaal.
• Lunar-Lambert: Een gewogen som van Lambert en Lommel-Seeliger, waarbij de weging afhangt van de fasehoek (de hoek tussen zon en kijker).

Implementatie in 2DGS:

• Het framework vervangt de SH-intensiteitsberekening door deze fysische functies.
• Er wordt een schaal- en bias-correctiefactor toegevoegd per afbeelding om rekening te houden met niet-gekalibreerde data (zoals PNG-bestanden van de Dawn-missie).
• Het trainingsproces minimaliseert een verliesfunctie bestaande uit intensiteitsverlies (L1 + SSIM) en normaalverlies (alignering van de geschatte normaal met de gradiënt van de dieptekaart).

Belangrijkste Bijdragen

1. Integratie van Fysica: De eerste toepassing van planetaire reflectiemodellen binnen het 2D Gaussian Splatting-framework voor topografie-schatting van kleine hemellichamen.
2. Analyse van Reflectiemodellen: Een uitgebreide vergelijking van verschillende fysische reflectiemodellen (Lambert, Lommel-Seeliger, Lunar-Lambert) in de context van neurale reconstructie.
3. Superieure Prestaties: Het aantonen dat deze fysica-gebaseerde modellen superieur zijn aan de traditionele SH-parametrisatie in zowel rendering als geometrische nauwkeurigheid.
4. Autonomie: Het creëren van een framework dat minder afhankelijk is van menselijke tussenkomst en a priori kennis dan traditionele SPC-methoden.

Resultaten

De methode werd gevalideerd met echte beelden van NASA's Dawn-missie naar de asteroïde 4 Vesta (krater Cornelia) en de dwergplaneet 1 Ceres (krater Ikapati en berg Ahuna Mons). De resultaten werden vergeleken met een state-of-the-art SPC-gebaseerde methode (PhoMo) als ground truth.

• Rendering Kwaliteit: Fysica-gebaseerde modellen presteerden consistent beter dan SH op alle metrics (PSNR, SSIM, LPIPS). Het Lambert-model leverde over het algemeen de beste renderkwaliteit op, gevolgd door Lunar-Lambert.
• Geometrische Nauwkeurigheid:
  • De normaalfout (afwijking in oppervlaktenormaal) was significant lager voor alle fysica-gebaseerde modellen vergeleken met SH. Het Lommel-Seeliger-model minimaliseerde deze fout voor alle datasets.
  • Visueel zijn kleine topografische kenmerken (zoals kleine kraters en richels) veel scherper en gedetailleerder in de fysica-gebaseerde reconstructies, terwijl deze door de SH-methode worden afgevlakt ("gesmooth").
  • De Hausdorff-afstand (een maat voor de geometrische afwijking tussen mesh en ground truth) was consistent lager voor de fysica-gebaseerde aanpakken.
• Albedo Schatting: In tegenstelling tot SH, stelt AstroSplat in staat om albedo direct te schatten. Het Lambert-model leverde de nauwkeurigste albedo-schattingen op voor de Cornelia-krater (ongeveer 20-30% lagere fout dan andere modellen).
• Efficiëntie: De fysica-gebaseerde modellen vereisen minder parameters (slechts één geoptimaliseerde albedo-parameter per Gaussian) dan de SH-methode (die 16 parameters per Gaussian leert voor een derde-grads expansie).

Betekenis en Conclusie

AstroSplat bewijst dat het integreren van domeinkennis (planetaire fotometrie) in neurale renderingtechnieken leidt tot robuustere en nauwkeurigere resultaten voor ruimtetoepassingen.

• Het lost het probleem op van verstrengelde geometrie en albedo dat inherent is aan puur uiterlijk-gebaseerde modellen.
• Het biedt een volledig autonoom alternatief voor de mens-georiënteerde SPC-processen.
• De methode levert niet alleen betere beelden, maar ook betrouwbare 3D-geometrieën en materiaaleigenschappen (albedo), wat essentieel is voor toekomstige missies naar kleine hemellichamen.

De auteurs concluderen dat fysica-gebaseerde benaderingen, bewezen in de ruimtevaart, de voorkeur verdienen boven puur datagedreven methoden wanneer het gaat om het in kaart brengen van asteroïden en dwergplaneten, en dat AstroSplat een belangrijke stap is in de richting van globale terreinkartering.