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

1. Problema e Contexto

A reconstrução de superfícies baseada em imagens e a caracterização fotométrica são fundamentais para missões a corpos celestes pequenos (como asteroides, cometas e luas), pois informam o planejamento de missões, navegação autônoma e análise científica.

• Desafios Atuais: O ambiente espacial apresenta variabilidade extrema de iluminação e características de superfície semelhantes, tornando a modelagem geométrica e de aparência difícil.
• Limitações dos Métodos Tradicionais: A abordagem clássica, a Stereofotoclinometria (SPC), depende de estimativas a priori de alta qualidade e de operadores humanos para corrigir erros de alinhamento, limitando a escalabilidade e a autonomia.
• Limitações das Técnicas de IA Recentes: Métodos baseados em aprendizado profundo, como o Gaussian Splatting (2DGS), oferecem renderização em tempo real e reconstrução de alta fidelidade. No entanto, eles geralmente utilizam uma parametrização baseada em Harmônicos Esféricos (SH) para representar a intensidade. Essa abordagem é puramente baseada na aparência (appearance-based), o que significa que ela codifica a intensidade dependente da vista sem modelar explicitamente as propriedades físicas do material ou a interação luz-superfície. Consequentemente, efeitos geométricos e de albedo ficam entrelaçados, levando a estimativas onde variações de iluminação são erroneamente atribuídas a mudanças no albedo em vez de topografia.

2. Metodologia: AstroSplat

O artigo propõe o AstroSplat, um framework de Gaussian Splatting baseado em física que integra modelos de refletância planetária no cálculo de intensidade, substituindo a parametrização tradicional baseada em Harmônicos Esféricos.

• Integração Física: Em vez de aprender coeficientes de SH puramente para aparência, o AstroSplat utiliza modelos fotométricos que dependem da direção da iluminação, da direção de visão e da normal da superfície para determinar a intensidade de cada Gaussiana.
• Modelos de Refletância Utilizados: O estudo implementa e compara três modelos físicos:
  1. Lambert: Assume uma superfície perfeitamente difusa (depende apenas da direção da iluminação e da normal).
  2. Lommel-Seeliger (L-S): Considera espalhamento único, dependendo da direção de iluminação, visão e normal.
  3. Lunar-Lambert: Uma soma ponderada dos modelos Lambert e L-S, ajustada por uma função de fase.
• Implementação no 2DGS:
  • Cada Gaussiana possui um albedo relativo aprendido ($\tilde{a}_i$) para capturar variações de propriedades materiais.
  • São aplicados fatores de correção de escala e viés por imagem para lidar com dados não calibrados radiometricamente (como PNGs).
  • O cálculo de intensidade é vinculado intrinsecamente à topografia da superfície, pois a função de refletância utiliza as normais estimadas e a geometria de iluminação.
• Função de Perda: O treinamento minimiza uma perda composta por:
  • Perda de Intensidade ($L_I$): Combinação de diferença $L_1$ e SSIM entre a imagem renderizada e a real.
  • Perda de Normal ($L_n$): Penaliza o desalinhamento entre a normal definida pelo eixo da Gaussiana e a normal estimada a partir do gradiente do mapa de profundidade.

3. Contribuições Principais

1. Integração de Física no 2DGS: A incorporação de modelos de refletância planetária no framework de Gaussian Splatting 2D para estimativa de topografia e renderização de corpos pequenos.
2. Análise Comparativa: Uma análise detalhada dos efeitos de diferentes modelos de refletância (Lambert, Lommel-Seeliger, Lunar-Lambert) no desempenho de reconstrução e renderização.
3. Superioridade sobre SH: A demonstração de que modelos baseados em física superam a parametrização padrão de Harmônicos Esféricos em métricas de qualidade de renderização e precisão topográfica.
4. Estimativa de Albedo: A capacidade de estimar albedos físicos, uma quantidade crucial para a fotometria de corpos pequenos, algo que o método SH tradicional não faz explicitamente.

4. Resultados Experimentais

O framework foi validado usando imagens reais da missão Dawn da NASA, focando no asteroide 4 Vesta (cratera Cornelia) e no planeta anão 1 Ceres (crateras Ikapati e Ahuna Mons). Os resultados foram comparados com o método PhoMo (considerado ground truth) e com o 2DGS padrão (SH).

• Qualidade de Renderização:
  • Os modelos baseados em física superaram consistentemente o método SH em todas as métricas (PSNR, SSIM, LPIPS) para os conjuntos de dados de teste.
  • O modelo Lambert geralmente produziu os melhores resultados de renderização, seguido pelo Lunar-Lambert.
• Precisão de Reconstrução (Normais e Topografia):
  • Os mapas de normais gerados pelos modelos físicos exibiram muito mais detalhes topográficos (pequenas crateras e cristas) em comparação com o método SH, que tendia a suavizar essas características.
  • O modelo Lommel-Seeliger minimizou o erro angular médio das normais ($\delta\theta$) em todos os conjuntos de dados.
  • A distância de Hausdorff simétrica (medida de erro geométrico entre malhas) foi consistentemente menor para as abordagens baseadas em física.
• Estimativa de Albedo:
  • O modelo Lambert forneceu o albedo mais próximo da verdade para a cratera Cornelia, reduzindo o erro em cerca de 20-30% em comparação com os outros modelos físicos.
• Eficiência de Parâmetros:
  • Os modelos físicos exigem significativamente menos parâmetros aprendidos (apenas o albedo por Gaussiana) em comparação com o método SH, que aprende 16 parâmetros para uma expansão de terceiro grau.

5. Significado e Conclusão

O AstroSplat representa um avanço significativo na reconstrução de corpos celestes ao unir a eficiência e a qualidade visual do Gaussian Splatting com a robustez física dos métodos de fotometria planetária tradicionais.

• Autonomia: O framework elimina a necessidade de processos intensivos em mão de obra e dependência de informações a priori de alta qualidade exigidas pela SPC, permitindo uma reconstrução autônoma e fotometricamente consistente.
• Aplicabilidade Espacial: Ao incorporar a física da interação luz-superfície, o método gera soluções mais confiáveis para mapeamento de asteroides e planetas menores, onde a modelagem geométrica precisa é crítica para navegação e pouso.
• Futuro: O trabalho abre caminho para o uso de modelos de refletância mais complexos e específicos de cada corpo celeste, visando o mapeamento global de terrenos em missões futuras.

Em resumo, o AstroSplat demonstra que substituir a codificação de aparência puramente aprendida por modelos físicos de refletância resulta em reconstruções geométricas mais precisas, melhores estimativas de normais e a capacidade de recuperar propriedades materiais (albedo), superando tanto os métodos tradicionais de fotogrametria quanto as abordagens modernas de IA puramente baseadas em dados.