SplatWeaver：学习分配高斯基元以实现可泛化新视角合成
摘要
SplatWeaver 是一种前馈新视角合成框架，它根据空间复杂度动态分配 3D 高斯基元，相比固定分配方法提升了渲染质量与效率。该框架利用基数高斯专家和高频先验引导的像素级路由方案，自适应地在复杂与平滑的场景区域间分配基元。
查看缓存全文
缓存时间: 2026/05/12 10:52
论文页面 - SplatWeaver：学习为可泛化新视角合成分配高斯基元
来源：https://huggingface.co/papers/2605.07287
摘要
SplatWeaver 通过基于空间复杂度动态分配 3D Gaussian 基元来实现高效的新视角合成，与固定分配方法相比，使用更少的基元即可提升渲染质量。
可泛化新视角合成 (https://huggingface.co/papers?q=novel%20view%20synthesis) 旨在无需每场景优化的情况下，从未校准的输入图像中渲染未见过的视角。最近基于 3D Gaussian Splatting (https://huggingface.co/papers?q=3D%20Gaussian%20Splatting) 的前馈方法 (https://huggingface.co/papers?q=feed-forward%20approach) 已取得了令人鼓舞的效率和渲染质量。然而，大多数方法为每个像素或体素分配固定数量的高斯分布，忽略了真实世界场景的空间变化复杂度。这种均匀分配往往在平滑区域浪费高斯基元 (https://huggingface.co/papers?q=Gaussian%20primitives)，同时为精细结构、复杂几何和高频细节提供的容量不足。这促使我们预测依赖区域的基元基数，而不是处处施加固定的基元预算，从而实现更具表现力且紧凑的 3D 场景表示。因此，我们提出了 SplatWeaver，一个可泛化新视角合成 (https://huggingface.co/papers?q=novel%20view%20synthesis) 框架，能够以自回归方式在不同区域动态分配高斯基元 (https://huggingface.co/papers?q=Gaussian%20primitives)。具体来说，SplatWeaver 引入了基数高斯专家 (https://huggingface.co/papers?q=cardinality%20Gaussian%20experts) 和像素级路由方案 (https://huggingface.co/papers?q=pixel-level%20routing%20scheme)，其中每个专家专门负责生成从 0 到 M 的特定数量基元，而路由方案协调这些专家自适应地确定应为每个空间位置分配多少高斯基元 (https://huggingface.co/papers?q=Gaussian%20primitives)。此外，SplatWeaver 结合了高频先验 (https://huggingface.co/papers?q=high-frequency%20prior) 以及相应的引导模块和路由正则化 (https://huggingface.co/papers?q=routing%20regularization)，以稳定专家选择并促进复杂度感知的分配。通过利用高频结构线索 (https://huggingface.co/papers?q=structural%20cues)，路由过程被鼓励为精细结构、复杂几何和纹理区域分配更多高斯基元 (https://huggingface.co/papers?q=Gaussian%20primitives)，同时抑制平滑区域的冗余基元。跨多种场景的大量实验表明，SplatWeaver 始终优于最先进的方法，以更少的高斯基元 (https://huggingface.co/papers?q=Gaussian%20primitives) 提供更忠实的新视角渲染结果。
查看 arXiv 页面 (https://arxiv.org/abs/2605.07287) 查看 PDF (https://arxiv.org/pdf/2605.07287)GitHub1 (https://github.com/yecongwan/SplatWeaver) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.07287)
将此论文获取到您的智能体中：
hf papers read 2605\.07287
没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用此论文的模型 0
没有链接此论文的模型
在模型 README.md 中引用 arxiv.org/abs/2605.07287 以从此页面链接它。
引用此论文的数据集 0
没有链接此论文的数据集
在数据集 README.md 中引用 arxiv.org/abs/2605.07287 以从此页面链接它。
引用此论文的空间 0
没有链接此论文的空间
在空间 README.md 中引用 arxiv.org/abs/2605.07287 以从此页面链接它。
包含此论文的合集 0
没有包含此论文的合集
添加此论文到合集 (https://huggingface.co/new-collection) 以从此页面链接它。
相似文章
GlobalSplat: 通过全局场景标记实现高效的前馈式三维高斯散射
GlobalSplat 引入了一种高效的前馈框架，用于三维高斯散射，通过全局场景标记实现紧凑且一致的场景重建，将计算开销和推理时间降低至78毫秒以下。该方法采用从粗到细的训练策略，防止表示膨胀，同时以显著更少的高斯原语（16K）达到有竞争力的新视角合成性能，与密集基线相比更为高效。
ATSplat: 紧凑的前馈式3D高斯溅射与自适应Token扩展
ATSplat 提出了一种前馈式3D高斯溅射框架，利用自适应3D Token根据场景复杂度分配图元，在实现最先进渲染质量的同时，将高斯体数量相比密集方法减少了5.7倍以上。
CompactSplat：用于前馈场景重建的空间自适应高斯分布
CompactSplat 是一种前馈框架，通过纹理引导的空间划分和分层采样来自适应地分配三维高斯，在稀疏视角场景重建中提升几何与纹理的恢复效果，同时支持无需重新训练的动态稀疏度控制。
InfiniSplat：面向大基线单目视图合成的隐式高斯解码
InfiniSplat 提出了一种前馈式单图像 3D 高斯泼溅框架，利用几何引导采样和查询条件隐式解码来实现表面对齐的高斯表示，从而改善大基线单目视图合成，并从合成室内训练泛化到开放世界场景。
VidSplat：利用几何引导的视频扩散先验进行高斯泼溅重建
VidSplat 是一种无需训练的生成式重建框架，它利用视频扩散先验，通过合成新视角，从稀疏输入中恢复完整的 3D 场景。