LIT-GS: LiDAR-Inertial-Thermal Gaussian Splatting for Illumination-Robust Mapping

📄 arXiv: 2606.20424v1 📥 PDF

作者: Shikuan Shi, Chunran Zheng, Jiaming Xu, Tianyong Ye, Tao Yu, Yukang Cui

分类: cs.RO

发布日期: 2026-06-18

备注: Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

💡 一句话要点

提出LIT-GS框架以解决光照变化下的高精度映射问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 高斯渲染 LiDAR 热成像 多模态融合 姿态优化 结构优化 自动驾驶 环境感知

📋 核心要点

  1. 现有的LIV高斯映射方法在光照变化和纹理缺乏的场景中表现脆弱，依赖RGB光度线索导致鲁棒性不足。
  2. LIT-GS框架通过引入LiDAR平面几何作为约束，利用跨模态锚点建立热成像与LiDAR的可靠关联，优化相机姿态和三维点。
  3. 实验结果显示，LIT-GS在多个数据集上均显著提高了几何精度和渲染质量，尤其在复杂光照条件下表现优异。

📝 摘要（中文）

Gaussian Splatting技术已实现实时神经渲染，但现有的基于LiDAR-惯性-视觉（LIV）的高斯映射管道在光照变化和纹理缺乏的场景中表现脆弱，主要依赖RGB光度线索。本文提出LIT-GS框架，通过将LiDAR获取的平面几何作为显式约束，增强了姿态/结构优化和高斯优化的鲁棒性。具体而言，利用LIV视觉地图点作为信心感知的跨模态锚点，建立可靠的热成像与LiDAR关联，并将加权的LiDAR点到平面的残差纳入束调整中，在弱热成像监督下共同优化相机姿态和三维点。基于优化后的结构，进一步引入LiDAR平面正则化的可微分高斯渲染目标，约束渲染的三维点与局部观察平面对齐，从而减轻低对比度热成像中的表面增厚和结构漂移。实验结果表明，LIT-GS在几何精度和渲染质量上均优于现有LIV基线，尤其在复杂光照条件下表现突出。

🔬 方法详解

问题定义：本文旨在解决现有LIV高斯映射方法在光照变化和纹理缺乏场景中的脆弱性，主要依赖RGB光度线索导致的鲁棒性不足问题。

核心思路：LIT-GS框架通过引入LiDAR获取的平面几何作为显式约束，增强了姿态和结构优化的稳定性，利用跨模态锚点建立热成像与LiDAR的关联。

技术框架：整体架构包括三个主要模块：首先是姿态/结构优化模块，利用LiDAR平面几何进行约束；其次是高斯优化模块，结合加权的LiDAR点到平面的残差；最后是可微分高斯渲染模块，确保渲染的三维点与局部平面对齐。

关键创新：最重要的技术创新在于将LiDAR平面几何引入高斯优化过程，显著提高了在低对比度热成像下的映射精度，避免了表面增厚和结构漂移。

关键设计：采用加权的LiDAR点到平面的残差作为损失函数，结合信心感知的跨模态锚点，设计了可微分的高斯渲染目标，以确保渲染结果的几何一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个公共数据集和自有序列上的实验结果表明，LIT-GS在几何精度和渲染质量上均优于现有的LIV基线，尤其在复杂光照条件下，几何精度提升幅度达到XX%，渲染质量显著改善，验证了其有效性和优越性。

🎯 应用场景

LIT-GS框架在自动驾驶、机器人导航和增强现实等领域具有广泛的应用潜力。通过提高在复杂光照条件下的映射精度，该技术能够增强环境感知能力，提升系统的鲁棒性和可靠性，推动相关技术的实际应用和发展。

📄 摘要（原文）

Gaussian Splatting has enabled real-time neural rendering, yet existing LiDAR-inertial-visual (LIV) Gaussian mapping pipelines remain fragile under illumination changes and texture-deficient scenes due to their reliance on RGB photometric cues. We present LIT-GS, a LiDAR-inertial-thermal Gaussian Splatting framework that injects LiDAR-derived plane geometry as an explicit constraint in both pose/structure refinement and Gaussian optimization. Specifically, we exploit LIV visual map points as confidence-aware cross-modal anchors to establish reliable thermal-LiDAR associations, and incorporate weighted LiDAR point-to-plane residuals into bundle adjustment to jointly refine camera poses and 3D points under weak thermal supervision. Building on the refined structure, we further introduce a LiDAR-plane-regularized differentiable splatting objective that constrains rendered 3D points to align with locally observed planes, mitigating surface thickening and structural drift in low-contrast thermal imagery. Experiments on proprietary sequences and public datasets demonstrate that LIT-GS consistently improves geometric accuracy and rendering quality over state-of-the-art LIV-based Gaussian Splatting baselines, particularly in challenging lighting conditions.