ZipSplat：更少的高斯，更优的 Splats

前馈式 3D 高斯溅射方法可以在一次前向传递中从带位姿或无位姿的图像中重建场景，但当前方法为每个输入像素预测一个高斯点，将表示预算与相机分辨率而非场景复杂度绑定。因此，一面平坦的墙壁和一个纹理丰富的物体会产生同样多的高斯点，尽管两者的几何需求截然不同。我们提出 ZipSplat，一种基于 token 的前馈模型，将高斯放置与像素网格解耦。多视角骨干网络提取密集的视觉 token，k-means 聚类将其压缩为一组紧凑的场景 token。交叉注意力和自注意力进一步细化这些 token，一个轻量级 MLP 将每个 token 解码为一组具有无约束三维位置的高斯点。由于聚类在推理时应用，单个训练好的模型即可覆盖质量-效率曲线，无需重新训练。ZipSplat 无需真实位姿或内参即可运行，但在 DL3DV 和 RealEstate10K 上，以比像素对齐方法少约 6 倍的高斯点，分别超过最佳无位姿基线 2.1dB 和 1.2dB PSNR，达到了新的最佳水平。它还能零样本泛化到 Mip-NeRF360 和 ScanNet++，并优于所有可比基线。我们的项目页面位于 {https://veichta.com/zipsplat{https://veichta.com/zipsplat}}。