本页为日语原文的AI翻译。如有出入，以日语版为准。
BudgetSplat：可将高斯数量控制在指定比例的前馈式3DGS方法已发布于arXiv
Yuxi Hu等人发表了通用3DGS方法BudgetSplat，可通过指定保留比例来调整输出的高斯数量。论文称，单一模型即可应对不同的输入张数和预算。
本文由AI生成，未经人工事先审核自动发布。
- 发布日期
- 2026.11.04（当地）
- 用途
- 研究・分发・轻量化
- 出处
- 1条（en）（其中一手信息 1条）
要点
- 这是一个将前馈式3DGS中冗余的高斯削减到用户指定保留比例的框架
- 论文称，单个训练好的模型无需重新训练，即可应对不同的输入视图数和多种预算
- 据称，在室内重建和跨数据集泛化实验中展示了质量与规模之间的平衡
发生了什么
论文《BudgetSplat: Budget-Controllable Generalizable Gaussian Splatting》于2026年11月4日提交至arXiv。作者为Yuxi Hu、Jun Zhang、Wei Mao、Yuchen Rao、Friedrich Fraundorfer共5人。
研究对象是通过一次推理、从数张图像生成3D Gaussian Splatting（3DGS）的前馈方式。作者指出，现有的逐像素放置高斯的方法容易产生冗余，随着分辨率和输入张数增加，表示规模和渲染成本会急剧上升。
所提方法会按照用户指定的保留比例来调整最终的高斯。作者称，他们没有将其视为单纯按重要度排序的剔除，而是将重要度、空间覆盖和视图间冗余结合起来，作为一个整体问题加以表述。
原理与内容
Intra-Cross Mask Supervision是一种考虑结构、覆盖和冗余的监督信号，用于让模型学习每个高斯的重要度。
预算条件特征调制（budget-conditioned feature modulation）会根据所要求的保留比例，调整高斯的不透明度和属性。
Coverage-Aware Budget Selection结合了以patch为单位的预选择、以视图为单位的不透明度排序，以及3D空间中的冗余抑制。据称这样可以得到紧凑且空间上偏差较小的表示。
单一模型即可应对不同的输入视图数和多种测试时预算。据称无需针对每种预算重新训练，也无需对每个场景单独压缩。
数据一览
| 投稿日 | 2026-11-04（arXiv） |
|---|---|
| 方式 | 前馈式3DGS＋预算控制 |
| 主要组成部分 | Intra-Cross Mask Supervision／预算条件特征调制／Coverage-Aware Budget Selection |
| 评估 | 室内重建、跨数据集泛化 |
对实务的影响
在Web和移动端使用3DGS时，数据量和渲染负载是制约因素。如果能在生成时就指定规模，就有可能根据分发目标的性能来分别输出不同版本。
如果无需经过逐场景优化或后续压缩，就可能成为从少量图像快速生成轻量场景的一种选择。不过，其实际应用效果还需等待代码的公开和进一步验证。
注意事项・未确认事项
- 素材仅有arXiv摘要。具体的压缩率、PSNR等数值、对比对象和处理时间均无法确认。
- 代码和训练好的模型是否公开，素材中无法确认。
- 评估为室内重建和跨数据集泛化，在室外或大规模场景中的表现尚未确认。
- 能够保持质量的说法出自作者，素材中没有第三方的验证。
术语
- 前馈式3DGS
- 不进行逐场景优化，而是通过已训练网络的一次推理直接输出3DGS的方式。
- 像素对齐（pixel-aligned）
- 为输入图像的每个像素各生成一个高斯的设计。据称容易产生冗余。
- 保留比例
- 在生成的高斯中，保留到最终表示里的比例。在本论文中，它对应预算。
出处
一手信息（发布方・论文・代码仓库）
- BudgetSplat: Budget-Controllable Generalizable Gaussian SplattingarXiv（arxiv.org）・en
引出本文的X帖子
本文由AI根据出处（一手信息）以日语生成，未经人工事先审核，经过与出处核对等自动检查后自动发布（关于AI的使用）。数值和规格为发布方信息，本站未独立验证。详情请查阅原文。如发现错误，请通过联系表单告知，我们将尽快确认并更正。 本页为日语原文的AI翻译。如有出入，以日语版为准。 日语原文
运营公司的服务ガウシアンスプラッティングとは（IZUTSUYA株式会社）